基于MCMC方法的SV模型估計及VAR計算.pdf

1、隨著金融市場的不斷壯大與發(fā)展，對于風險的關注已經(jīng)提到了一個前所未有的高度。而VaR理論又是目前國際上風險評價的主流方法，在衡量VaR時，如何對波動進行刻畫是最關鍵的?？坍嫴▌有缘哪Ｐ椭凶钪匾挠袃深悾?982年由Engle和Bollerslev提出的ARCH-GARCH(自回歸條件異方差-廣義自回歸條件異方差)模型和SV(隨機波動)模型。從數(shù)據(jù)生成的角度來看，ARCH類模型描述的是離散的可觀測時間序列的波動特性，其波動過程由過去的觀測值

2、和過去誤差的平方項線性表示。而SV模型則是一類隨機微分方程。相對于ARCH類模型來說，SV模型的波動是由一個不可觀測的隨機過程決定的，它被認為更加適合于金融領域的實際研究，也是目前刻畫異方差性最精確的模型，但是由于這一類模型的參數(shù)估計比較困難，因此在一定程度上影響了它的實際應用。 而基于貝葉斯分析的MCMC(Markov Chain Monte Carlo)方法是目前估計SV模型參數(shù)最好的方法，但由于MCMC方法的高維積分問題，

3、計算過程比較復雜，所以其應用一直有限。我們通過專門開發(fā)的貝葉斯分析軟件winBUGS(BayesianUsing Gibbs Sampling)則可以很好的解決這個高維的積分問題，從而估計SV模型中的各項參數(shù)進而得到比較精確的模型估計。 最后，本文利用基于MCMC方法的win BUGS軟件分析上海股市收益率序列從而得到SV模型的估計式，并從SV模型中求得各項時變方差，從而計算出相應的 VaR 序列，并與下一日收益率進行比較發(fā)現(xiàn)S