SV-ARMA（p，q）帶重尾和相關誤差模型的MCMC算法.pdf

1、由于金融計量經(jīng)濟學的興起，各種新的關于時間序列的數(shù)學模型也被提出來解釋當今經(jīng)濟金融中發(fā)生的問題與現(xiàn)象.自從Engle在1982年開創(chuàng)性的提出了ARCH模型之后，1986年，Bollerslev將ARCH模型發(fā)展成更為流行的GARCH模型.近二十年來，GARCH模型已經(jīng)被廣泛地應用于研究經(jīng)濟、金融等領域的時間序列問題的分析中.這是因為，金融數(shù)據(jù)等總呈現(xiàn)出波動聚類和重尾的特性，而GARCH模型能體現(xiàn)出這兩種特性.但GACH模型也存在著一些缺

2、陷：1.GARCH模型對參數(shù)的條件限制比較強；2.GARCH模型的條件方差由以前的條件方差和波動率唯一確定不是很妥當?shù)?近幾年來，人們提出用隨機波動模(SV)型來刻畫金融時間序列.因為SV模型也具有波動聚類和重尾的特性，又在一定程度上克服了GARCH模型的缺陷.然而，在金融資產(chǎn)波動的建模中，隨機波動模型遠沒有GARCH模型普及.其主要原因是SV模型的估計非常困難.MarkovChainMonteCarlo(MCMC)算法是最近發(fā)展起來的

3、一種簡單且行之有效的Bayes計算方法.MCMC算法使得Bayes統(tǒng)計中許多看起來困難的計算變得簡單直觀了.2004年，Jacquier等用MCMC算法對帶重尾和相關的隨機波動(SV)模型(AR(1)型)作了估計.在本文中，我們自然地提出了SV-ARMA(p，q)帶重尾和相關誤差的模型： {yt=√htεt,loght=α+δ1loght-1+…+δploght-p+vt+θ1vt-1+…+θqvt-q,εt～t(v),vt～N