本文關(guān)鍵詞：金融市場(chǎng)波動(dòng)率模型的參數(shù)估計(jì)及預(yù)測(cè)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：波動(dòng)率反映了資產(chǎn)價(jià)格變動(dòng)的不確定性,在資產(chǎn)定價(jià)、投資組合、風(fēng)險(xiǎn)管理、資產(chǎn)配置等方面發(fā)揮著舉足輕重的作用。隨著經(jīng)濟(jì)、金融的全球化,以及我國(guó)改革開放的進(jìn)一步深化,市場(chǎng)交易越來越活躍,投融資行為也越來越自由和頻繁,對(duì)波動(dòng)率進(jìn)行參數(shù)估計(jì)及預(yù)測(cè)研究,已然成為近三十年來學(xué)術(shù)界和投資業(yè)界研究的熱點(diǎn)問題。我國(guó)金融市場(chǎng)起步晚,具有高風(fēng)險(xiǎn)、高波動(dòng)的特點(diǎn),與國(guó)外全面開展的波動(dòng)率研究相比,國(guó)內(nèi)研究仍處于發(fā)展階段。金融市場(chǎng)波動(dòng)率模型的參數(shù)估計(jì)及預(yù)測(cè)研究這一選題有助于揭示市場(chǎng)波動(dòng)的特征和內(nèi)在機(jī)理,幫助投資者進(jìn)行風(fēng)險(xiǎn)分散與資產(chǎn)配置,是一個(gè)理論性和應(yīng)用性較強(qiáng)的研究。波動(dòng)率具有厚尾性、杠桿性、市場(chǎng)聯(lián)動(dòng)性、長(zhǎng)記憶性、聚集性等多種特征,且不同市場(chǎng)、不同國(guó)家之間存在差異性。因此根據(jù)波動(dòng)率復(fù)雜的特征,采用以特征為導(dǎo)向的研究方式,本文研究了波動(dòng)率預(yù)測(cè)的三種類型模型,即隨機(jī)波動(dòng)率模型,已實(shí)現(xiàn)波動(dòng)率和多元波動(dòng)率模型。對(duì)連續(xù)時(shí)間框架下隨機(jī)波動(dòng)率模型的參數(shù)進(jìn)行有效估計(jì),對(duì)已實(shí)現(xiàn)波動(dòng)率和多元波動(dòng)率進(jìn)行了預(yù)測(cè)研究,并實(shí)證研究了中美股票市場(chǎng)和人民幣外匯市場(chǎng)的波動(dòng)率特點(diǎn)及波動(dòng)率預(yù)測(cè)。主要工作和創(chuàng)新歸納如下：1、得到了連續(xù)時(shí)間框架下長(zhǎng)記憶隨機(jī)波動(dòng)率的參數(shù)估計(jì),并證明了該估計(jì)的大樣本性質(zhì)。為了刻畫連續(xù)時(shí)間下波動(dòng)率的長(zhǎng)記憶性,常使用分?jǐn)?shù)布朗運(yùn)動(dòng)代替普通的幾何布朗運(yùn)動(dòng)作為長(zhǎng)記憶波動(dòng)過程的驅(qū)動(dòng)源。但是波動(dòng)率不可直接被觀測(cè)到,且分?jǐn)?shù)布朗運(yùn)動(dòng)具有非馬氏性,這為長(zhǎng)記憶隨機(jī)波動(dòng)率的參數(shù)估計(jì)帶來了困難。為解決這一問題,本文構(gòu)造波動(dòng)率的代理值,并完成了兩方面的工作。一方面,在假設(shè)赫斯特指數(shù)已知的情形下,采用變差方法獲得長(zhǎng)記憶隨機(jī)波動(dòng)率模型中剩余參數(shù)的最小二乘估計(jì),該估計(jì)值在大樣本下具有一致收斂性和漸近正態(tài)性。進(jìn)一步通過Monte-Carlo模擬,展現(xiàn)了該估計(jì)值的可行性和準(zhǔn)確性。另一方面,在赫斯特指數(shù)未知的情形下,構(gòu)建隨機(jī)波動(dòng)率的點(diǎn)估計(jì),進(jìn)而給出赫斯特指數(shù)的濾子變差估計(jì),更進(jìn)一步的,根據(jù)Malliavin積分的有關(guān)知識(shí),得到剩余參數(shù)的估計(jì),同樣也證明了估計(jì)量的收斂性。對(duì)近三年的中國(guó)上證綜合指數(shù)1分鐘及5分鐘高頻數(shù)據(jù)做應(yīng)用實(shí)證研究,得出我國(guó)股票市場(chǎng)存在長(zhǎng)記憶性和赫斯特指數(shù)具有強(qiáng)時(shí)變性的結(jié)論。2、在市場(chǎng)微觀結(jié)構(gòu)噪聲的影響下,對(duì)波動(dòng)率整合方差進(jìn)行樣本外多步預(yù)測(cè)。高頻的市場(chǎng)數(shù)據(jù)觀測(cè)不可避免會(huì)產(chǎn)生市場(chǎng)微觀結(jié)構(gòu)噪聲。在這種情況下,若采用普通的已實(shí)現(xiàn)波動(dòng)率對(duì)波動(dòng)率整合方差進(jìn)行估計(jì)和預(yù)測(cè)都是有偏的。雙時(shí)間尺度已實(shí)現(xiàn)波動(dòng)率的產(chǎn)生可以大大的規(guī)整該估計(jì)。為了更好的使用雙時(shí)間尺度已實(shí)現(xiàn)波動(dòng)率對(duì)樣本外波動(dòng)率整合方差進(jìn)行預(yù)測(cè),本文選用不同的時(shí)間尺度組合(共7種組合方式),以1秒為觀測(cè)頻率,按照5種常用的波動(dòng)率模型,分別模擬1000條涵蓋105天或205天路徑,通過自回歸模型族(包括AR(1)模型,AR(p)模型,ARIMA(p,d,q)模型,MIDAS模型,HAR模型)預(yù)測(cè)向前1步、3步、5步的預(yù)測(cè)值。采用多種損失函數(shù),預(yù)測(cè)結(jié)果表明了雙時(shí)間尺度已實(shí)現(xiàn)波動(dòng)率是整合方差的較好估計(jì)值,自回歸模型預(yù)測(cè)具有合理性,HAR模型預(yù)測(cè)精度最高。更進(jìn)一步的,使用道瓊斯工業(yè)30綜合指數(shù)的實(shí)際高頻數(shù)據(jù),實(shí)證檢驗(yàn)了美國(guó)股市波動(dòng)近半年來的長(zhǎng)記憶性、非結(jié)構(gòu)突變和天內(nèi)效應(yīng),采用本文模型驗(yàn)證模擬結(jié)果在實(shí)際數(shù)據(jù)預(yù)測(cè)中的適應(yīng)情況,并對(duì)模型預(yù)測(cè)結(jié)果通過1000次bootstrap模擬,使基準(zhǔn)模型(HAR模型)與對(duì)比模型做SPA檢驗(yàn),表明基準(zhǔn)模型(HAR模型)在自回歸預(yù)測(cè)模型中精度最高,且具有穩(wěn)健性。3、引入獨(dú)立成分分析理論,對(duì)多元時(shí)間序列進(jìn)行建模與預(yù)測(cè)。在進(jìn)行多元時(shí)間序列預(yù)測(cè)時(shí),常常面臨維數(shù)災(zāi)難和較重的訓(xùn)練負(fù)擔(dān)。為解決這類問題,本文采用FastICA算法提取多元時(shí)間序列的獨(dú)立成分,將獨(dú)立成分分析與多元時(shí)間序列的預(yù)測(cè)相結(jié)合,選取人民幣匯率為實(shí)證對(duì)象,分別作了兩方面的工作。一方面通過對(duì)獨(dú)立成分進(jìn)行GARCH模型預(yù)測(cè)和引入轉(zhuǎn)換矩陣,建立完整的基于因子分析的多元波動(dòng)率預(yù)測(cè)模型。除此之外,針對(duì)波動(dòng)率的非對(duì)稱性和尖峰厚尾的性質(zhì),本研究對(duì)特征向量的GARCH模型做了改進(jìn),考慮GJRGARCH、IGARCH模型、不同的殘差類型(如廣義誤差分布和t-分布)和降維處理。另一方面,將獨(dú)立成分分析與BP網(wǎng)絡(luò)相融合,將獨(dú)立成分分析作為一個(gè)前置系統(tǒng),合理設(shè)計(jì)BP網(wǎng)絡(luò)的輸入方法和激勵(lì)函數(shù),選取不同的損失函數(shù),對(duì)非線性的多元時(shí)間序列進(jìn)行1步、3步、5步向前預(yù)測(cè)。實(shí)證結(jié)果表明人民幣匯率市場(chǎng)存在聯(lián)動(dòng)性、不對(duì)稱性和尖峰厚尾性。獨(dú)立成分分析可以減少模型的待估參數(shù)和減輕計(jì)算負(fù)擔(dān),而且預(yù)測(cè)精度較高。

  本文關(guān)鍵詞：金融市場(chǎng)波動(dòng)率模型的參數(shù)估計(jì)及預(yù)測(cè)研究，由筆耕文化傳播整理發(fā)布。