資產(chǎn)收益率預(yù)測是金融投資領(lǐng)域的重點關(guān)心對象�；诟哳l金融數(shù)據(jù)的資產(chǎn)收益率預(yù)測能夠為投資者提供更加準(zhǔn)確的決策依據(jù)。為了更好地刻畫資產(chǎn)收益率數(shù)據(jù)的非對稱性與尖峰厚尾性,構(gòu)建了一種DTGARCH模型,其擾動項服從標(biāo)準(zhǔn)Laplace分布。運用極大似然估計法給出模型參數(shù)的估計值,并對不同分布擾動項的模型進(jìn)行了建模分析。實證分析結(jié)果表明,DTGARCH-Laplace模型優(yōu)于GARCH模型和DTARCH-Laplace模型。最后通過自助法與預(yù)測值的條件分布構(gòu)建預(yù)測置信區(qū)間。計算結(jié)果表明,自助法構(gòu)建的預(yù)測置信區(qū)間更加精確。 

【文章來源】：山東科技大學(xué)學(xué)報(自然科學(xué)版). 2020,39(06)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

DTGARCH-Laplace模型的樣本特征

為了對比不同模型的擬合效果，選擇上證指數(shù)中成分股格爾軟件（603232）作為研究對象。數(shù)據(jù)來源為東方財富Choice數(shù)據(jù)。采用的數(shù)據(jù)是2019年4月8日的間隔為1min的收盤價Pt，樣本容量為240。收益率為非中心化收益率數(shù)據(jù)yt=100*ln((Pt)-ln(Pt-1））。收益率數(shù)據(jù)的描述性統(tǒng)計量如表3所示。股票收益率的路徑圖與QQ圖如圖2所示。由圖2可看出，該收益率序列存在明顯的波動聚集性與非對稱性，而收益率的QQ圖中，所有的點并沒有近似地在一條直線附近，兩邊的點外翹，說明該收益率序列服從厚尾分布，結(jié)合收益率序列的峰度值為7.570 4，可知該收益率序列具有明顯的尖峰厚尾性。

當(dāng)序列為平穩(wěn)序列時，需要判斷序列之間是否存在相關(guān)性。圖3繪制了收益率序列{yt}和收益率平方序列{yt2}的樣本路徑圖、自相關(guān)函數(shù)圖和偏自相關(guān)函數(shù)圖。從圖3(a）可以看出，收益率序列{yt}呈現(xiàn)波動聚集性與非對稱性的特征；而圖3(b）呈現(xiàn)出序列間存在自相關(guān)性，圖3(c）中的函數(shù)值一階截尾。從圖3(d）可知，收益率序列存在明顯的異方差性；而圖3(e）和圖3(f）中的ACF值和PACF值在1、5、14期后都有緩慢衰退，說明該序列存在ARCH效應(yīng)。運用極大似然估計對閾值為0的DTGARCH-Laplace模型和下列模型來擬合計算得到的格爾軟件股票的收益率，并通過AIC準(zhǔn)則選擇最優(yōu)模型。

【參考文獻(xiàn)】：
期刊論文
[1]基于中國股票高頻交易數(shù)據(jù)的隨機波動建模與應(yīng)用[J]. 張波,蔣遠(yuǎn)營.  統(tǒng)計研究. 2017(03)



本文編號：3527983