【摘要】：證券市場(chǎng)的波動(dòng)率是其風(fēng)險(xiǎn)產(chǎn)生的主要原因之一,對(duì)波動(dòng)率進(jìn)行建模以及探究是證券市場(chǎng)風(fēng)險(xiǎn)分析的一個(gè)主流的研究方向。目前,針對(duì)單元證券市場(chǎng)收益率序列的建模方法已經(jīng)日趨完善,但是多元收益率序列的建模仍然是一個(gè)很大的挑戰(zhàn)。當(dāng)所考慮的序列的維數(shù)增加時(shí),待估參數(shù)數(shù)量會(huì)急速增加,并且序列之間的協(xié)同作用也較難處理�；诖�,本文主要研究了基于獨(dú)立成分分析(independent component analysis,ICA)的多元波動(dòng)率以及波動(dòng)溢出效應(yīng)模型。本文的主要工作有:首先,系統(tǒng)的闡述了單元、多元波動(dòng)率的經(jīng)典模型以及ICA的基本原理、對(duì)獨(dú)立成分的約束條件、數(shù)據(jù)的預(yù)處理過(guò)程以及估計(jì)多個(gè)獨(dú)立成分的基于負(fù)熵的FAST-ICA算法,并探討了ICA在證券市場(chǎng)的收益率序列波動(dòng)率建模中應(yīng)用的可行性。其次,針對(duì)多元時(shí)間序列分析中存在的參數(shù)量大以及不對(duì)稱效應(yīng)問題,運(yùn)用基于負(fù)熵的FAST-ICA算法對(duì)多維證券市場(chǎng)收益率序列做ICA分解,提取出殘差相應(yīng)獨(dú)立成分,利用證券市場(chǎng)收益率序列的非高斯性,對(duì)各個(gè)獨(dú)立成分逐個(gè)建立TGARCH和EGARCH模型,提出基于ICA的ICA-TGARCH和ICA-EGARCH波動(dòng)率模型。對(duì)提出模型分別在廣義誤差分布和t分布情形下擬合并與ICA-GARCH模型做比較。8個(gè)國(guó)家和地區(qū)的證券市場(chǎng)收益率序列的實(shí)證分析結(jié)果顯示,本文所構(gòu)建模型的擬合以及估計(jì)效果具有較大優(yōu)勢(shì)。最后,針對(duì)證券市場(chǎng)之間存在的波動(dòng)溢出效應(yīng)問題,對(duì)選定的7個(gè)國(guó)家或地區(qū)的證券市場(chǎng)的收益率序列提取殘差對(duì)應(yīng)獨(dú)立成分,并將其作為解釋變量構(gòu)建針對(duì)我國(guó)證券市場(chǎng)的ICA-TGARCH和ICA-EGARCH波動(dòng)溢出效應(yīng)模型。實(shí)證結(jié)果顯示,7個(gè)國(guó)家或地區(qū)的證券市場(chǎng)均對(duì)我國(guó)證券市場(chǎng)存在顯著的波動(dòng)溢出效應(yīng)。
【圖文】：

28Australia America圖 4.3 各證券市場(chǎng)收益率序列的自相關(guān)檢驗(yàn)圖從圖 4.3 可以看出，中國(guó)、香港、臺(tái)灣和加拿大證券市場(chǎng)的收益率序列均沒有自相關(guān)性，收益率序列為白噪聲序列；而韓國(guó)、日本、澳大利亞和美國(guó)的序列均存在一定的自相關(guān)性，在構(gòu)建時(shí)間序列模型之前需要運(yùn)用 AR 模型對(duì)收益率序列進(jìn)行處理以消除自相關(guān)性。

Australia America圖 4.4 各證券市場(chǎng)收益率平方序列的自相關(guān)檢驗(yàn)圖從圖 4.4 可以看出，8 個(gè)證券市場(chǎng)的收益率平方序列均存在自相關(guān)性，因此 8 個(gè)證券市場(chǎng)收益率序列均存在 ARCH 效應(yīng)，可以考慮構(gòu)建 GARCH 族模型對(duì)其進(jìn)行建模。4.3 模型估計(jì)傳統(tǒng)的多元 GARCH 模型在對(duì)波動(dòng)率進(jìn)行估算時(shí)遇到的首要困難就是隨著維數(shù)的增多，待估參數(shù)量會(huì)大量增加，而基于獨(dú)立成分分析的波動(dòng)率模型則可以將多元波動(dòng)率模型轉(zhuǎn)換成單元模型，從而利用單元 GARCH 族模型對(duì)參數(shù)進(jìn)行估計(jì)，，這大大的降低了計(jì)算復(fù)雜度�；� ICA 的多元波動(dòng)率模型的估算主要分為兩個(gè)部分：第一步是對(duì)原始收益率序列進(jìn)行檢驗(yàn)，通過(guò) AR 模型對(duì)序列進(jìn)行預(yù)處理從而消除其自相關(guān)性，第二步為對(duì)殘差序列進(jìn)行獨(dú)立成分分析，本文運(yùn)用 FAST-ICA 算法對(duì) 8 組證券市場(chǎng)收益率序列進(jìn)行
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：F831.51

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周曉寧;郝建敏;閔芳;;獨(dú)立成分分析方法在衛(wèi)星圖像分割中的應(yīng)用[J];數(shù)字技術(shù)與應(yīng)用;2017年04期

2 謝永紅;張國(guó)偉;;基于多維獨(dú)立成分分析的數(shù)值仿真與分析[J];計(jì)算機(jī)應(yīng)用;2012年04期

3 余先川;安衛(wèi)杰;倪鋒;曹婷婷;龍四亮;劉少華;;基于整數(shù)小波和非負(fù)有序獨(dú)立成分分析的遙感影像融合[J];地質(zhì)通報(bào);2010年10期

4 吳新杰;許超;;基于獨(dú)立成分分析和小波變換處理兩相流信號(hào)[J];遼寧工程技術(shù)大學(xué)學(xué)報(bào);2007年05期

5 劉鐵軍;顏紅梅;陳華富;堯德中;;基于獨(dú)立成分分析和最小模解的眼電偽跡去除[J];中國(guó)臨床康復(fù);2005年40期

6 武杰;余瑩;楊葉;;功能磁共振圖像的獨(dú)立成分分析與提取[J];生物醫(yī)學(xué)工程學(xué)進(jìn)展;2018年04期

7 聶凱;孟令晶;李冬;;基于獨(dú)立成分分析的多目標(biāo)分布估計(jì)算法[J];計(jì)算機(jī)與數(shù)字工程;2014年06期

8 王建華;鄭震;張延p

本文編號(hào)：2611683