亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于已實(shí)現(xiàn)極差的上證綜指波動(dòng)長(zhǎng)記憶性識(shí)別與風(fēng)險(xiǎn)度量研究

        2021-11-11 11:35:00周文浩張紅梅
        關(guān)鍵詞:記憶性上證綜指極差

        周文浩,王 沁,張紅梅,汪 玲

        西南交通大學(xué) 數(shù)學(xué)學(xué)院統(tǒng)計(jì)系,成都 611756

        在全球經(jīng)濟(jì)一體化的推進(jìn)下,中國(guó)金融市場(chǎng)的波動(dòng)日益加劇,金融風(fēng)險(xiǎn)也隨之不斷增加,因此,對(duì)金融市場(chǎng)風(fēng)險(xiǎn)進(jìn)行度量與控制是非常有必要的.VaR作為金融風(fēng)險(xiǎn)度量的關(guān)鍵指標(biāo),將不同資產(chǎn)的組合風(fēng)險(xiǎn)綜合成一個(gè)數(shù)值進(jìn)行度量,在國(guó)際金融市場(chǎng)得到了廣泛認(rèn)可與應(yīng)用.

        資產(chǎn)收益波動(dòng)的估計(jì)是度量VaR的關(guān)鍵,為此國(guó)內(nèi)外學(xué)者通常選用GARCH簇模型來(lái)對(duì)資產(chǎn)波動(dòng)進(jìn)行度量,進(jìn)而實(shí)現(xiàn)對(duì)VaR更有效地控制與預(yù)測(cè).文獻(xiàn)[1]結(jié)合EVT與GARCH模型對(duì)市場(chǎng)的VaR進(jìn)行預(yù)測(cè),實(shí)現(xiàn)了極端風(fēng)險(xiǎn)的精確度量; 文獻(xiàn)[2]基于GARCH模型,針對(duì)基金收益率序列,計(jì)算各種基金收益率序列的VaR,發(fā)現(xiàn)各基金具有相似的風(fēng)險(xiǎn)偏好; 文獻(xiàn)[3]利用對(duì)沖基金日交易數(shù)據(jù),建立了GARCH模型,預(yù)測(cè)對(duì)沖基金的波動(dòng)率并計(jì)算其VaR,減少對(duì)沖基金激進(jìn)的投資策略對(duì)市場(chǎng)的沖擊; 文獻(xiàn)[4]用ARFIMA-ARCH模型來(lái)對(duì)中國(guó)股票市場(chǎng)長(zhǎng)記憶性進(jìn)行分析并對(duì)VaR進(jìn)行測(cè)算與檢驗(yàn); 文獻(xiàn)[5]基于ARFIMA-GARCH-F模型對(duì)重慶市空氣質(zhì)量指數(shù)(AQI)的VaR進(jìn)行了度量與檢驗(yàn); 文獻(xiàn)[6]基于不同分布下的FIGARCH計(jì)算了期貨的VaR,結(jié)果表明FIGARCH相較于GARCH模型更精確; 文獻(xiàn)[7]結(jié)合有偏t分布與FIGARCH對(duì)股票市場(chǎng)的VaR進(jìn)行測(cè)算與檢驗(yàn),證明了FIGARCH在實(shí)踐中風(fēng)險(xiǎn)控制的優(yōu)越性; 文獻(xiàn)[8]應(yīng)用ARFIMA-FIGARCH模型對(duì)同業(yè)拆借利率進(jìn)行度量并結(jié)合VaR對(duì)模型優(yōu)劣進(jìn)行檢驗(yàn),結(jié)果表明ARFIMA-FIGARCH能更好地刻畫(huà)同業(yè)拆借利率的波動(dòng)特征.盡管雙長(zhǎng)記憶的ARFIMA-FIGARCH模型能有效地刻畫(huà)資產(chǎn)收益的雙長(zhǎng)記憶性和異方差性,但考慮杠桿效應(yīng)的存在以及高階矩對(duì)收益的影響,需要對(duì)ARFIMA-FIGARCH模型進(jìn)行修正與拓展,從而有效地度量股票市場(chǎng)的VaR以及預(yù)測(cè)和檢驗(yàn).

        考慮到高頻數(shù)據(jù)日內(nèi)“U”型特點(diǎn),文獻(xiàn)[9]結(jié)合高頻信息首次提出“已實(shí)現(xiàn)”波動(dòng)率(realized volatility,RV),作為波動(dòng)率的全新非參數(shù)度量方法; 文獻(xiàn)[10]建立ARFIMA-RV模型并實(shí)證表明RV的引入能很好地刻畫(huà)資產(chǎn)的波動(dòng)特征并大幅度提升模型的擬合與預(yù)測(cè)能力; 文獻(xiàn)[11]基于已實(shí)現(xiàn)波動(dòng)率建立了ARFIMAX-FIGARCH模型,對(duì)農(nóng)產(chǎn)品期貨市場(chǎng)波動(dòng)率進(jìn)行預(yù)測(cè),結(jié)果表明引入RV能使ARFIMA-FIGARCH模型預(yù)測(cè)精度更高.但真實(shí)市場(chǎng)往往可能存在跳躍點(diǎn),這導(dǎo)致RV的穩(wěn)健性與有效性可能難以成立.因此文獻(xiàn)[12]結(jié)合高頻極差信息提出了已實(shí)現(xiàn)極差(realized range variance,RRV),并證明RRV的有效性約為RV的5倍,實(shí)現(xiàn)了對(duì)RV與市場(chǎng)真實(shí)波動(dòng)率擬合的優(yōu)化.文獻(xiàn)[13]在理論上證明了已實(shí)現(xiàn)極差波動(dòng)率是比已實(shí)現(xiàn)波動(dòng)率更有效的波動(dòng)估計(jì)量; 文獻(xiàn)[14]基于已實(shí)現(xiàn)極差建立了LHAR-RRV-CJ模型,分析了中國(guó)股市的異質(zhì)性、 跳躍性以及杠桿效應(yīng); 文獻(xiàn)[15]基于已實(shí)現(xiàn)極差建立了CARR-EVT模型,實(shí)現(xiàn)對(duì)日VaR和CVaR的動(dòng)態(tài)估計(jì).

        一方面,由于對(duì)數(shù)化已實(shí)現(xiàn)極差具有雙長(zhǎng)記憶性和異方差性; 另一方面,考慮到杠桿效應(yīng)的存在以及高階矩對(duì)收益的影響.借鑒前述研究,本文基于對(duì)數(shù)化已實(shí)現(xiàn)極差,建立偏t分布下的ARFIMA-M-FIGARCH簇模型,分析資產(chǎn)收益的雙長(zhǎng)記憶性以及異方差性,分析杠桿效應(yīng)下的極端風(fēng)險(xiǎn),以實(shí)現(xiàn)對(duì)上證綜指VaR的度量與控制.

        1 基于已實(shí)現(xiàn)極差的ARFIMA-M-FIGARCH簇模型

        1.1 已實(shí)現(xiàn)極差

        (1)

        則RRVt定義為極差下的日內(nèi)高頻收益率的平方和:

        (2)

        1.2 雙長(zhǎng)記憶模型

        文獻(xiàn)[16]考慮到長(zhǎng)記憶性,提出了FIGARCH(BBM)模型,并在FIGARCH(BBM)模型上對(duì)結(jié)構(gòu)進(jìn)行修正,結(jié)合ARFIMA提出了ARFIMA-FIGARCH(CHUNG)模型,其結(jié)構(gòu)如下:

        (3)

        (4)

        考慮到杠桿效應(yīng),文獻(xiàn)[16]引入杠桿項(xiàng)θ1,θ2來(lái)對(duì)杠桿效應(yīng)進(jìn)行刻畫(huà),進(jìn)而構(gòu)建了FIEGARCH模型,其條件方差方程可以表示為:

        (5)

        事實(shí)上收益序列的高階矩未必存在,這使得FIEGARCH的基本假設(shè)難以成立.文獻(xiàn)[17]引入lnα創(chuàng)建了HYGARCH模型,考慮了高階矩對(duì)波動(dòng)和長(zhǎng)記憶性的影響,其對(duì)應(yīng)的條件方差可以表示為:

        (6)

        基于對(duì)數(shù)化已實(shí)現(xiàn)極差,考慮到雙長(zhǎng)記憶性、 異方差性、 杠桿效應(yīng)以及高階矩對(duì)收益的影響,本文構(gòu)建了ARFIMA-M-HYGARCH模型:

        (7)

        2 VaR的計(jì)算與檢驗(yàn)

        VaR定義為在一定置信水平下,資產(chǎn)組合在一段時(shí)間內(nèi)可能受到的最大損失.由此可以得出VaR的定義式:

        P(ΔP≤VaR)=α

        (8)

        針對(duì)對(duì)數(shù)化已實(shí)現(xiàn)極差的尖峰后尾特征,選取偏t分布下ARFIMA-M-HYGARCH模型來(lái)建模,可以得到ARFIMA-M-FIGARCH簇的VaR為:

        (9)

        其中:ut為lnRRV率的均值;skstα是標(biāo)準(zhǔn)偏t分布為skst(0,1,ξ,v),且下置信水平為α的單側(cè)分位數(shù),ξ為偏度參數(shù),v為自由度.

        基于已實(shí)現(xiàn)極差的ARFIMA-M-HYGARCH模型計(jì)算與檢驗(yàn)VaR的具體思路如下:

        步驟一: 計(jì)算RRV,結(jié)合R/S,單位根檢驗(yàn)以及自相關(guān)圖識(shí)別其長(zhǎng)記憶性,利用QQ圖判斷其分布是否符合偏t分布.

        步驟二: 基于分?jǐn)?shù)階差分后序列計(jì)算殘差序列,對(duì)殘差序列進(jìn)行異方差檢驗(yàn)以及長(zhǎng)記憶檢驗(yàn).

        步驟三: 對(duì)基于已實(shí)現(xiàn)極差下的ARFIMA-M-FIGARCH簇模型進(jìn)行參數(shù)估計(jì)以及擬合優(yōu)度檢驗(yàn).

        步驟五: 利用失敗率檢驗(yàn)法和動(dòng)態(tài)分位數(shù)檢驗(yàn)法對(duì)VaR進(jìn)行檢驗(yàn).失敗率檢驗(yàn)法并未對(duì)分位數(shù)起到評(píng)估的作用且受樣本量的影響較大,而動(dòng)態(tài)分位數(shù)檢驗(yàn)法彌補(bǔ)了這一缺陷.

        3 實(shí)證分析

        3.1 數(shù)據(jù)收集

        中國(guó)股票市場(chǎng)主要分為滬市和深市,因此上證綜指與深成指數(shù)自然最能反映中國(guó)股市的整體波動(dòng)情況,但由于滬市與深市存在較高的相關(guān)性,而滬市開(kāi)市較早,對(duì)外部沖擊較為敏感,同時(shí)對(duì)深市而言具有“溢出效應(yīng)”,所以本文選擇上證綜指作為研究對(duì)象.借鑒文獻(xiàn)[18]的結(jié)論,在避免市場(chǎng)微觀結(jié)構(gòu)帶來(lái)嚴(yán)重噪聲的基礎(chǔ)上,選擇盡可能高頻率的數(shù)據(jù),因此本文選擇上證綜指5分鐘高頻數(shù)據(jù),取樣區(qū)間為2016年1月4日-2018年12月28日,共有35 088個(gè)數(shù)據(jù),數(shù)據(jù)來(lái)源于Wind資訊金融數(shù)據(jù)庫(kù).

        3.2 統(tǒng)計(jì)特征與分布檢驗(yàn)

        對(duì)上證綜指的RRV進(jìn)行基本統(tǒng)計(jì)特征分析與檢驗(yàn),相關(guān)結(jié)果如下表所示:

        表1 上證綜指RRV的描述性統(tǒng)計(jì)與檢驗(yàn)

        從表中可以得知,上證綜指RRV與lnRRV序列偏度大于0,呈現(xiàn)出右偏的趨勢(shì); 同時(shí)峰度大于0,表現(xiàn)為尖峰特征.總體而言,呈現(xiàn)出有偏、 尖峰厚尾的特征,結(jié)合Jarque-Bera結(jié)果可知,整體并不服從正態(tài)分布.嘗試?yán)肣Q圖對(duì)lnRRV整體是否服從有偏t分布進(jìn)行判斷,結(jié)果見(jiàn)圖1.

        圖1 上證綜指ln RRV基于有偏t分布的QQ圖

        從有偏t分布下的QQ圖可以得知,lnRRV的對(duì)應(yīng)點(diǎn)基本構(gòu)成一條直線,因此本文選取有偏t分布作為假設(shè)分布.

        3.3 雙長(zhǎng)記憶性與異方差性檢驗(yàn)

        對(duì)上證綜指lnRRV序列進(jìn)行單位根檢驗(yàn),結(jié)果如下表所示:

        表2 上證綜指ln RRV單位根檢驗(yàn)

        從表2可以看出,ADF檢驗(yàn)結(jié)果表明序列平穩(wěn),而KPSS檢驗(yàn)顯示序列并不平穩(wěn),根據(jù)文獻(xiàn)[19]對(duì)ADF結(jié)合KPSS檢驗(yàn)的研究,可以得知上證綜指lnRRV序列平穩(wěn),同時(shí)具有一定的長(zhǎng)記憶性.

        對(duì)lnRRV序列自相關(guān)性進(jìn)行分析,結(jié)果如圖2所示.從圖2中可以看出序列的自相關(guān)函數(shù)以非常緩慢的速度衰減,根據(jù)文獻(xiàn)[19]對(duì)長(zhǎng)記憶性與自相關(guān)系數(shù)的研究,可以認(rèn)為序列具有較強(qiáng)的長(zhǎng)記憶性.

        圖2 上證綜指ln RRV序列自相關(guān)圖

        對(duì)上證綜指lnRRV進(jìn)行R/S檢驗(yàn)得到Hurst指數(shù),進(jìn)而判斷序列長(zhǎng)記憶性的強(qiáng)弱,檢驗(yàn)結(jié)果如圖3,4所示.

        圖3 上證綜指ln RRV的R/S檢驗(yàn)圖

        圖4 擬合殘差的R/S檢驗(yàn)圖

        R/S檢驗(yàn)結(jié)果表明Hurst指數(shù)H=0.928 2,R-Squared=0.976 5,同時(shí)結(jié)合圖3,可知擬合效果良好,并且Hurst指數(shù)遠(yuǎn)大于0.5且接近于1,因此可以判斷上證綜指的lnRRV序列具有很強(qiáng)的長(zhǎng)記憶性,這與前面的分析結(jié)果完全一致.

        由于Hurst指數(shù)與d近似存在d=H-0.5的關(guān)系,則d≈0.428 2.對(duì)ARFIMA-M-RRV模型進(jìn)行擬合,并對(duì)擬合殘差進(jìn)行異方差性檢驗(yàn)與長(zhǎng)記憶性檢驗(yàn),來(lái)判斷是否適用于FIGARCH族模型,檢驗(yàn)結(jié)果見(jiàn)表3.

        表3 異方差性檢驗(yàn)(ARCH檢驗(yàn))

        結(jié)合表3可以得知,在滯后階數(shù)分別為1,3,4階,顯著性水平為10%時(shí)均拒絕原假設(shè),即認(rèn)為lnRRV的波動(dòng)率并非常數(shù),存在較強(qiáng)異方差性.

        針對(duì)擬合殘差的R/S檢驗(yàn)結(jié)果表明Hurst指數(shù)H=0.732,R-Squared=0.650,同時(shí)結(jié)合圖4可以得知擬合效果較好,并且Hurst指數(shù)大于0.5,因此可以判斷波動(dòng)率同樣具有長(zhǎng)記憶性.

        結(jié)合上述分析可知上證綜指的lnRRV具有異方差性和雙長(zhǎng)記憶性的特征,因此結(jié)合FIGARCH族對(duì)ARFIMA-M-RRV建立雙長(zhǎng)記憶模型.

        3.4 模型的建立與參數(shù)估計(jì)

        對(duì)lnRRV序列進(jìn)行0.428 2階差分,并對(duì)分?jǐn)?shù)階差分后的lnRRV序列測(cè)算其自相關(guān)以及偏相關(guān)系數(shù),對(duì)自回歸與移動(dòng)平均項(xiàng)進(jìn)行定階,測(cè)算結(jié)果如下表所示:

        表4 分?jǐn)?shù)階差分后ln RRV序列的ACF與PACF

        對(duì)于自相關(guān)系數(shù),存在

        (9)

        對(duì)于偏相關(guān)系數(shù),存在

        (10)

        根據(jù)Box-Jeins定階理論,可以確定模型的自回歸階數(shù)為1,移動(dòng)平均階數(shù)為0,即模型為ARFIMA-M-RRV(1,0)模型.同時(shí),確定ARCH與GARCH階數(shù)均為1階.

        分別針對(duì)FIGARCH(CHUNG),F(xiàn)IEGARCH以及HYGARCH建立基于ARFIMA-M-RRV的雙長(zhǎng)記憶模型,并利用基于BHHH算法的極大似然估計(jì)對(duì)參數(shù)進(jìn)行估計(jì),參數(shù)估計(jì)結(jié)果見(jiàn)表5.

        表5 偏t分布下各模型估計(jì)結(jié)果

        續(xù)表5

        結(jié)合表5中的模型參數(shù)估計(jì)結(jié)果,可以發(fā)現(xiàn):

        1) FIEGARCH中的杠桿項(xiàng)參數(shù)均不顯著,這恰巧說(shuō)明了均值方程引入的杠桿項(xiàng)比較完美地刻畫(huà)了lnRRV的杠桿效應(yīng),進(jìn)而導(dǎo)致方差方程杠桿項(xiàng)并不顯著.同時(shí)d1以及AR(1)的估計(jì)結(jié)果同樣不顯著,d1>0.5,表明FIEGARCH的參數(shù)估計(jì)效果較差.

        2) HYGARCH與FIGARCH關(guān)于d1的估計(jì)值均接近于0.5,體現(xiàn)了lnRRV很強(qiáng)的長(zhǎng)記憶性,同時(shí)d2>0且不太接近0.5,體現(xiàn)了波動(dòng)率較強(qiáng)的長(zhǎng)記憶性,這與前文研究結(jié)果完全一致.

        3) FIEGARCH的AIC與HQ值均大于其他2種模型,而HYGARCH與FIGARCH的AIC與HQ值相對(duì)較小,另外FIGARCH的ARCH項(xiàng)并不顯著,因此FIGARCH與HYGARCH能更好地對(duì)波動(dòng)率的異方差性進(jìn)行描述,但HYGARCH略優(yōu)于FIGARCH.

        3.4 VaR計(jì)算與檢驗(yàn)

        表6 失敗率檢驗(yàn)結(jié)果

        表7 動(dòng)態(tài)分位數(shù)檢驗(yàn)結(jié)果

        圖5 HYGARCH模型VaR(0.950; 0.975)圖

        結(jié)合VaR的計(jì)算與檢驗(yàn)結(jié)果可以發(fā)現(xiàn):

        1) 失敗率檢驗(yàn)中,HYGARCH在0.950 0,0.975 0以及0.997 5分位數(shù)下的成功率相對(duì)于FIGARCH而言更接近對(duì)應(yīng)的分位數(shù),p值同樣更優(yōu)于FIGARCH,尤其在0.997 5分位數(shù)下FIGARCH對(duì)應(yīng)的p值僅為0.053 0,檢驗(yàn)結(jié)果非常不理想,反觀HYGARCH在0.997 5分位數(shù)下p值為0.431 2,能更好地對(duì)極端風(fēng)險(xiǎn)進(jìn)行控制.

        2) 動(dòng)態(tài)分位數(shù)檢驗(yàn)中,F(xiàn)IGARCH在0.950 0,0.975 0以及0.997 5分位數(shù)下的p值均小于HYGARCH,尤其是在0.950 0分位數(shù)下的p值僅有0.047 4,效果非常不理想,遠(yuǎn)低于HYGARCH對(duì)應(yīng)的0.439 8,這表明在動(dòng)態(tài)分位數(shù)檢驗(yàn)下HYGARCH同樣能更好地對(duì)極端風(fēng)險(xiǎn)進(jìn)行控制.

        綜上所述,HYGARCH對(duì)于ARFIMA-RRV模型VaR的估計(jì)效果更好,能夠更好地適應(yīng)和控制股票市場(chǎng)的極端風(fēng)險(xiǎn).

        4 結(jié) 論

        本文在高頻信息的基礎(chǔ)上,引入RRV,結(jié)合杠桿效應(yīng),對(duì)雙長(zhǎng)記憶性進(jìn)行識(shí)別并建立相應(yīng)的模型,對(duì)模型的VaR進(jìn)行計(jì)算與檢驗(yàn),得到了以下結(jié)論:

        1) 上證綜指lnRRV序列具有尖峰厚尾的特征,結(jié)合Jarque-Bera檢驗(yàn)以及QQ圖,可以得知整體服從有偏t分布.

        2) 結(jié)合單位根檢驗(yàn),自相關(guān)圖檢驗(yàn),異方差檢驗(yàn)以及R/S檢驗(yàn)可知上證綜指lnRRV序列具有雙長(zhǎng)記憶性的特征.

        3) 對(duì)FIGARCH,F(xiàn)IEGARCH以及HYGARCH下的ARFIMA-M-RRV模型進(jìn)行擬合,結(jié)果表明FIGARCH與HYGARCH擬合結(jié)果較好,其中HYGARCH略優(yōu)于FIGARCH.

        4) 對(duì)FIGARCH與HYGARCH下的ARFIMA-M-RRV模型進(jìn)行VaR的失敗率檢驗(yàn)與動(dòng)態(tài)分位數(shù)檢驗(yàn),結(jié)果表明HYGARCH能更好地刻畫(huà)上證綜指lnRRV序列在極端風(fēng)險(xiǎn)下的VaR.

        由實(shí)證結(jié)果可知,針對(duì)上證綜指可以建立有偏t分布下的ARFIMA-M-RRV-HYGARCH模型來(lái)對(duì)極端風(fēng)險(xiǎn)下的VaR進(jìn)行度量與控制,從而實(shí)現(xiàn)更有效的金融風(fēng)險(xiǎn)管理.

        猜你喜歡
        記憶性上證綜指極差
        器官移植中記憶性T細(xì)胞的研究進(jìn)展
        二次函數(shù)極差的規(guī)律與應(yīng)用
        黏膜記憶性T 細(xì)胞功能
        記憶性B細(xì)胞體外擴(kuò)增影響因素的研究進(jìn)展①
        全球主要指數(shù)走勢(shì)點(diǎn)評(píng)
        全球主要指數(shù)走勢(shì)點(diǎn)評(píng)
        上證綜指
        在分位數(shù)回歸中結(jié)構(gòu)突變的經(jīng)驗(yàn)極差檢驗(yàn)
        上證綜指
        超聲修復(fù)有記憶性鉛蓄電池研究
        老熟妇乱子伦av| 日本最新一区二区三区在线| 人人澡人人妻人人爽人人蜜桃麻豆| 放荡成熟人妻中文字幕| 日韩人妖视频一区二区| 色噜噜亚洲男人的天堂| 毛多水多www偷窥小便| 日本少妇人妻xxxxx18| 麻豆久久五月国产综合| 国产成年女人特黄特色毛片免| 在线不卡精品免费视频| 亚洲国产精品无码aaa片| 免费精品一区二区三区第35| 国产亚洲sss在线观看| 国产美女三级视频网站| 日韩精品中文字幕一区二区| 日本孕妇潮喷高潮视频| 无码少妇一区二区浪潮av| 人妻av一区二区三区精品| 午夜国产精品视频免费看电影| 亚洲一区二区视频免费看| 国精产品一区一区三区| 看国产黄大片在线观看| 亚洲加勒比无码一区二区在线播放| 91久久香蕉国产熟女线看| 亚洲无线码一区二区三区| xxxx国产视频| AV在线中出| 日本亚洲系列中文字幕| 国产成人久久精品一区二区三区| 久久精品国产亚洲av高清漫画| 久久亚洲第一视频黄色| 亚洲av调教捆绑一区二区三区| 欧美激情在线播放| 久久精品岛国av一区二区无码| 我和丰满老女人性销魂| 日本一区二区不卡在线| 国产精品理论片在线观看| 欧美成年黄网站色视频| 如何看色黄视频中文字幕| 丰满巨臀人妻中文字幕|