陳鵬 李星野
摘要:本文針對(duì)黃金價(jià)格的長(zhǎng)記憶性進(jìn)行實(shí)證研究,利用Hurst指數(shù)來(lái)證實(shí)黃金價(jià)格中確實(shí)存在顯著的長(zhǎng)記憶性。以此對(duì)黃金價(jià)格的收益率進(jìn)行分?jǐn)?shù)差分后,再建立ARFIMA-GARCH模型族,從而反映了黃金收益率序列的波動(dòng)聚集性。通過(guò)對(duì)不同模型的誤差絕對(duì)值對(duì)比,選取出最能體現(xiàn)黃金價(jià)格序列動(dòng)態(tài)特征的模型。實(shí)證結(jié)果表明,該類模型能夠很好的反映黃金價(jià)格的波動(dòng)規(guī)律,能夠給投資者提供決策意見(jiàn)。
關(guān)鍵詞:長(zhǎng)記憶性;Hurst指數(shù);ARFIMA-GARCH模型族
引言
黃金越來(lái)越成為世界矚目的財(cái)富,它是一種良好的保值產(chǎn)品,所以全球各國(guó)的政府機(jī)構(gòu)都會(huì)爭(zhēng)相儲(chǔ)備黃金用來(lái)應(yīng)對(duì)國(guó)家衰落或者經(jīng)濟(jì)危機(jī)時(shí)拋售,以此來(lái)維持國(guó)家穩(wěn)定。因此,對(duì)于黃金價(jià)格的預(yù)測(cè)分析就有了很重要的實(shí)際意義。
Hurst[1]在對(duì)尼羅河水庫(kù)水流量和貯存能力關(guān)系進(jìn)行研究時(shí),發(fā)現(xiàn)水利時(shí)間序列具有長(zhǎng)記憶性特點(diǎn)。Mandelbrot[2]在之后的資本市場(chǎng)研究所提出的了分形布朗運(yùn)動(dòng)為金融市場(chǎng)的研究奠定了長(zhǎng)記憶性的數(shù)學(xué)基礎(chǔ)。Peters E[3]首次提出了分形市場(chǎng)假說(shuō),并提出了R/S分析法。隨后Hosking[4]提出的ARFIMA模型、Engel[5] 提出的ARCH模型和Bollerslev[6]提出的GARCH模型讓我們?cè)谑袌?chǎng)研究中更能有效的捕捉到市場(chǎng)的長(zhǎng)記憶性和異方差性。在對(duì)黃金時(shí)間序列預(yù)測(cè)的方向中,國(guó)內(nèi)更多人選擇了用統(tǒng)計(jì)分析方法來(lái)研究?jī)r(jià)格波動(dòng)的內(nèi)在機(jī)制(如羅禎[7]、樓曉東[8]、潘貴豪[9]等),通過(guò)研究發(fā)現(xiàn)ARFIMA建立的模型比ARIMA建立的模型在預(yù)測(cè)黃金價(jià)格走勢(shì)方面效果更佳。
本文嘗試引入基于分形分析的長(zhǎng)記憶性研究,分別黃金價(jià)格時(shí)間序列建立ARFIMA-GARCH模型族,實(shí)證結(jié)果證明其確實(shí)具有長(zhǎng)記憶性和異方差性,預(yù)測(cè)誤差非常小,預(yù)測(cè)價(jià)格波動(dòng)趨勢(shì)基本一致。
1、模型介紹
1.1 長(zhǎng)記憶性檢驗(yàn)
關(guān)于長(zhǎng)期記憶性的檢驗(yàn),一些學(xué)者采用重標(biāo)極差統(tǒng)計(jì)量進(jìn)行分析(即R/S分析法),該分析方法主要利用時(shí)序的全距與標(biāo)準(zhǔn)差之間的關(guān)系建立統(tǒng)計(jì)量,通過(guò)假設(shè)檢驗(yàn)的思想得到結(jié)果。對(duì)于時(shí)間序列{Xt},t=1,2,…,T,取n個(gè)序列觀測(cè)值,則R/S統(tǒng)計(jì)量為:
1.2 ARFIMA模型
通過(guò)對(duì)d值的確定之后,開(kāi)始建立以d=H-0.5階差分(d為分?jǐn)?shù))建立的ARMA模型即為ARFIMA模型:
Φ(B)表示p階平穩(wěn)的自回歸滯后算子,θ(B)表示q階可逆的移動(dòng)平均滯后算子。該模型考慮了過(guò)程的長(zhǎng)記憶性和短記憶性,其中p+q個(gè)參數(shù)描述過(guò)程的短記憶性,用參數(shù)d描述過(guò)程的長(zhǎng)記憶性,因此ARFIMA模型優(yōu)于普通的ARMA模型族,又優(yōu)于單獨(dú)考慮長(zhǎng)記憶性的分形差分模型。
1.3 GARCH模型族
1.3.1 GARCH模型公式
其中Ωt-1表示截止t-1時(shí)刻所有已知信息的集合,的大小反映了序列波動(dòng)持續(xù)性的強(qiáng)弱。GARCH模型中只考慮了ut=ut|Ωt-1波動(dòng)的大小而沒(méi)有考慮波動(dòng)的方向,實(shí)際情況中壞消息的沖擊會(huì)大于好消息的影響。
盡管GARCH模型能夠很好的解釋金融資產(chǎn)收益率序列的波動(dòng)聚集性特征,但是它不能解釋金融時(shí)間序列進(jìn)場(chǎng)存在“杠桿效應(yīng)”,即資產(chǎn)價(jià)格的下跌(壞消息)比同樣程度的價(jià)格上漲(好消息)產(chǎn)生的波動(dòng)更大。因此,本文建立ARFIMA-TGARCH與ARFIMA-EGARCH來(lái)解釋這種不對(duì)稱性。
1.3.2 TGARCH(1,1)模型公式
可以看出,好消息的沖擊影響為α1u2t-1,壞消息的沖擊影響為(α1+γ)u2t-1。若γ=0,則表示不存在非對(duì)稱效應(yīng);若γ>0,則表示存在非對(duì)稱效應(yīng)。
1.3.3 EGARCH(1,1)模型公式
由于該公式是對(duì)In(σ2τ)建模,則不需要認(rèn)為假定模型參數(shù)非負(fù)數(shù)約束限制。同時(shí),若γ=0,則表示不存在非對(duì)稱效應(yīng);若γ<0,則表示存在非對(duì)稱效應(yīng)。
2、實(shí)證研究
2.1 數(shù)據(jù)選取
本次研究使用上海黃金交易所AU9995 2004/09/01到2017/04/25的價(jià)格日線,共3038個(gè)樣本數(shù)據(jù)。在此基礎(chǔ)上,將數(shù)據(jù)分為兩部分:2004/09/01到2017/02/28為第一部分,記為{Xt},用于構(gòu)造模型,確定參數(shù);2017/03/01到2017/04/25為第二部分,用于對(duì)基于第一部分?jǐn)?shù)據(jù)所構(gòu)造的模型進(jìn)行預(yù)測(cè)檢驗(yàn)。這樣就給數(shù)據(jù)劃分為3000+38兩部分。
2.2 長(zhǎng)記憶性檢驗(yàn)
首先對(duì)本次黃金價(jià)格序列{Xt}進(jìn)行ADF檢驗(yàn),結(jié)果顯示為非平穩(wěn),則對(duì)其對(duì)數(shù)一階差分序列,再進(jìn)行ADF檢驗(yàn),結(jié)果如下圖:
可以看出對(duì)數(shù)差分后的序列為平穩(wěn)的。對(duì)此序列進(jìn)行R/S分析法進(jìn)行分析,得到結(jié)果如下圖:
其中曲線為logn-logRS,隨著n增大向右上方延伸;直線為logRS=c+H*logn,(斜率即Hurst指數(shù))。從圖中來(lái)看,曲線約在logn≈5.0的時(shí)候出現(xiàn)了拐點(diǎn),說(shuō)明周期大約為exp(5.0)=148日。
而從logn-V圖來(lái)看,該圖呈上升趨勢(shì),說(shuō)明有明顯的長(zhǎng)記憶性,當(dāng)logn≈4.9的時(shí)候,圖中曲線逐漸平穩(wěn),但波動(dòng)增大,表明長(zhǎng)記憶性逐漸消失。
2.3 建立ARFIMA模型
將已得到的Hurst指數(shù)作d=H-0.5計(jì)算后將對(duì)數(shù)差分序列進(jìn)行d階差分,才可以建立ARFIMA模型進(jìn)行預(yù)測(cè)。本文基于楊楠[10]設(shè)計(jì)的分?jǐn)?shù)差分迭代算法,對(duì)本次序列進(jìn)行分?jǐn)?shù)差分。對(duì)分?jǐn)?shù)差分后的數(shù)據(jù)建立ARMA模型,對(duì)序列的相關(guān)圖初步判斷模型階數(shù)后,再進(jìn)一步利用AIC準(zhǔn)則來(lái)確定最合適的模型。AIC值越小,說(shuō)明模型越契合。所以我們選擇ARMA(3,3)來(lái)作為本次實(shí)驗(yàn)?zāi)P汀?/p>
2.4 ARCH-LM檢驗(yàn)
在我們使用ARCH模型之前,需要判斷殘差序列是否具有ARCH效應(yīng)。在1982年,Engel已經(jīng)提出了檢驗(yàn)殘差序列是否存在ARCH效應(yīng)的ARCH-LM檢驗(yàn)。檢驗(yàn)的原假設(shè)為:殘差序列直到q階都不存在ARCH效應(yīng)。通過(guò)對(duì)回歸方程的殘差圖進(jìn)行觀察發(fā)現(xiàn),其表現(xiàn)出明顯的波動(dòng)聚集性。如圖4,在2005年至2006年時(shí)間段,殘差的波動(dòng)很大,然而在2006年至2007年時(shí)間段卻表現(xiàn)出較小的波動(dòng) 。此模型的殘差存在顯著的條件異方差性,可能存在ARCH效應(yīng)。
對(duì)均值方程的殘差進(jìn)行條件異方差的ARCH-LM檢驗(yàn),滯后階數(shù)p=10,其檢驗(yàn)結(jié)果如圖5所示。結(jié)果顯示,F(xiàn)統(tǒng)計(jì)量=21.15740,其概率值p非常小,從而表明檢驗(yàn)輔助回歸方程中的所有滯后殘差平方項(xiàng)是聯(lián)合顯著的。Obs*R-squared=198.2568,相應(yīng)的概率值p非常小,因此拒絕原假設(shè),說(shuō)明殘差序列存在ARCH效應(yīng)。
2.5 ARFIMA-GARCH族模型預(yù)測(cè)
由于ARCH模型結(jié)束較高,因此本次實(shí)驗(yàn)里面我們考慮結(jié)合GARCH(1,1)、TGARCH(1,1)、EGARCH(1,1)模型來(lái)進(jìn)行分析。
均值方程:(1+0.7932L1+0.9834L2-0.7814L3)Xt=-8.98E-05+(1-0.1899L1-0.9771L2+0.2074L3)Et
分別對(duì)均值方程建立GARCH模型,分別得到ARFIMA-GARCH模型、ARFIMA-TGARCH模型、ARFIMA-EGARCH模型。從圖6三種GARCH模型的比較來(lái)看,三種模型的預(yù)測(cè)值幾乎重合,具有相同的波動(dòng)趨勢(shì)。從圖7來(lái)看,基于三種方法相對(duì)誤差絕對(duì)值的比較,發(fā)現(xiàn)ARFIMA-TGARCH模型的相對(duì)誤差絕對(duì)值最接近0,說(shuō)明ARFIMA-TGARCH模型的擬合效果最佳。
通過(guò)對(duì)表2結(jié)果的觀察,利用ARFIMA-TGARCH模型對(duì)2017/03/01到2017/04/25的黃金價(jià)格預(yù)測(cè)所得到的結(jié)果與實(shí)際價(jià)格的誤差非常小,這對(duì)決策者及投資者有很好的借鑒作用。
3、結(jié)語(yǔ)
本次研究中,我們采用了基于分形分析的R/S方法,證實(shí)了上海黃金交易所AU9995價(jià)格收益率序列存在明顯的長(zhǎng)記憶性,隨后結(jié)合ARFIMA、ARFIMA-GARCH模型族定量的對(duì)黃金價(jià)格收益率序列進(jìn)行分析,所得到的預(yù)測(cè)模型ARFIMA-TGARCH模型能夠很好的刻畫黃金價(jià)格內(nèi)在波動(dòng)規(guī)律,并能對(duì)其進(jìn)行良好的預(yù)測(cè)(最高誤差1.501%)。實(shí)驗(yàn)表明,從長(zhǎng)記憶性的角度來(lái)解釋黃金價(jià)格的內(nèi)在特征是可行的,同時(shí)對(duì)于投資者和生產(chǎn)者來(lái)說(shuō),利用此模型來(lái)預(yù)測(cè)黃金市場(chǎng)行情是非常切實(shí)有效的,對(duì)其決策意見(jiàn)會(huì)有很大的幫助。
參考文獻(xiàn)
[1] Hurst H E. Long — term storage capacity of reservoirs[J]. Transactions of the American Society of Civil Engineers,1951,116:700 -779.
[2] MandelbrotBB.et al. Fractional Brownian Motions, Fractional Noises and Applications[J]. SIAM Review,1968,10(4):422-437.
[3] Edgar E. Peters. Fractal Market Analysis: Applying Chaos Theory to Investment and Economics[R]. Inc New York,1994.
[4] Hosking J R M. Fractional differencing[J]. Biometrika,1981,68:165-176.
[5] Engle R F. Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of the United Kingdom Inflation[J]. Econometrics,1982,50:987-1008.
[6] Bollerslev T. Generalized Autoregressive Conditional Heteroskedasticity[J]. Journal of Econometrics 1986, 31:307-327.
[7] 羅禎.基于ARIMA-GARCH模型的黃金價(jià)格走勢(shì)研究[J].財(cái)政金融,2013,6:31-32.
[8] 樓曉東,張良.基于分形理論的國(guó)際金價(jià)波動(dòng)長(zhǎng)記憶性識(shí)別及預(yù)測(cè)研究[J].金融市場(chǎng),2013,6:80-84.
[9] 潘貴豪,胡乃聯(lián)等.基于ARMA-GARCH模型的黃金價(jià)格實(shí)證分析[J].黃金,2010,1:5-8.
[10] 楊楠,柳預(yù)才.基于分形分析的國(guó)際金價(jià)波動(dòng)長(zhǎng)記憶性識(shí)別與預(yù)測(cè)研究[J].數(shù)理統(tǒng)計(jì)與管理,2013,5:931-940.
作者單位:上海理工大學(xué)管理學(xué)院