ASV模型的扩展及其在中国金融市场的应用

发布时间：2024-11-20 22:25

　　金融数据的波动性一直是经济学研究的热点问题之一。通过对大量金融时间序列的研究,人们发现时间序列的波动呈现出时变性。描述时变波动的模型一般有两类,即自回归条件方差(ARCH)模型和随机波动(SV)模型。本文注重对后者进行研究。 大量金融时间序列表明金融数据波动中存在一种很重要的实证特征,即“杠杆效应”,为此本文选取能够反映“杠杆效应”的非对称随机波动(ASV)模型作为基本模型。在经济现象中,许多经济变量是无法定量度量的,为了在模型中能够反映这些因素的影响,需要借助虚拟变量来实现。为了使ASV模型能够应用在更多经济、金融问题中,本文提出了一种基于ASV模型的扩展形式,即带有虚拟变量的ASV模型。 模型的应用必然要涉及到参数估计的问题。对于SV模型,学者们提出各种各样的估计方法,目前最常用的方法是马尔科夫链蒙特卡洛(MCMC)方法。针对MCMC方法的特点以及待估模型本身的特征,本文首先对带有虚拟变量的ASV模型进行贝叶斯分析,并为参数选取合适的先验分布,然后构造基于Gibbs抽样的MCMC数值计算过程进行分析。 论文的实证部分选取了“考察股指期货的引入对股票现货市场波动性的影响”为...

【文章页数】：42 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 论文研究背景
        1.1.1 金融理论定量化发展回顾
        1.1.2 金融市场的波动性
        1.1.3 外生变量在描述金融时间序列中的作用
    1.2 描述波动性的模型
        1.2.1 纯时间序列
        1.2.2 自回归条件异方差
        1.2.3 随机波动
    1.3 论文结构及创新之处
第2章 随机波动(SV)模型
    2.1 基本SV模型
        2.1.1 SV模型简介
        2.1.2 SV模型统计特征
    2.2 SV模型的扩展
        2.2.1 厚尾SV模型
        2.2.2 长记忆SV模型
        2.2.3 非对称SV模型(ASV)
    2.3 引入虚拟变量的ASV模型及其统计有效性分析
    2.4 本章小结
第3章 SV模型参数估计
    3.1 SV模型参数估计的基本方法
        3.1.1 伪极大似然方法(QML)
        3.1.2 广义矩方法估计(GMM)
        3.1.3 模拟极大似然方法(SML)
        3.1.4 马尔科夫链蒙特卡洛方法(MCMC)
    3.2 贝叶斯估计
        3.2.1 贝叶斯公式的密度函数形式
        3.2.2 先验分布的确定
        3.2.3 使后验分布的均方误差(MSE)达到最小的贝叶斯估计
    3.3 马尔科夫链蒙特卡罗(MCMC)方法
        3.3.1 MCMC方法的基本思想
        3.3.2 Gibbs取样
        3.3.3 BUGS软件简介
    3.4 DIC准则
    3.5 MCMC方法对带有虚拟变量的ASV模型的贝叶斯分析
    3.6 本章小结
第4章 实证分析
    4.1 引入股指期货对股票现货市场波动性影响的研究
        4.1.1 现有研究波动性影响的主要理论
        4.1.2 现有实证成果简述
    4.2 日收益率的描述统计分析
    4.3 对引入股指期货的股票现货市场波动性建模
        4.3.1 利用带有虚拟变量的ASV模型建模
        4.3.2 利用带有虚拟变量的GARCH模型建模
        4.3.3 两种模型拟合优度的比较
    4.4 本章小结
结束语
参考文献
致谢



本文编号：4012444