多變量時(shí)間序列模型的參數(shù)估計(jì)及其實(shí)證檢驗(yàn).pdf

1、金融數(shù)據(jù)的“尖峰厚尾”,強(qiáng)烈的自相關(guān)性,長(zhǎng)記憶性,波動(dòng)的聚集性以及微笑效應(yīng)使得它大大有別于其他類型的數(shù)據(jù)。許多經(jīng)濟(jì)學(xué)家們不懈努力,孜孜以求,試圖找到一個(gè)能夠全面地刻劃金融數(shù)據(jù)這些特性的時(shí)間序列模型。從ARMA到ARIMA模型和FARIMA模型,平穩(wěn)線性模型到異方差A(yù)RCH和GARCH模型等,模型逐漸復(fù)雜化,對(duì)數(shù)據(jù)的刻劃以及預(yù)測(cè)能力也越來越強(qiáng)。 GARCH是一個(gè)比較成熟的金融時(shí)間序列模型,它能夠比較好的刻劃單變量金融數(shù)據(jù)高峰厚尾異

2、方差特征,而Copula是一個(gè)比較新的概念,在分析多維分布的時(shí)候很有幫助,那么很自然的,我們會(huì)想到利用GARCH模型和Copula共同建模去分析多維時(shí)間序列。為了使模型更符合實(shí)際情況,即讓風(fēng)險(xiǎn)回報(bào)與風(fēng)險(xiǎn)大小成正比,我們將波動(dòng)項(xiàng)引入了均值方程,使得波動(dòng)項(xiàng)和收益率之間呈現(xiàn)線性的關(guān)系,這就是GARCH-M模型。進(jìn)一步還可以將其拓展為ARMA-GJR-M模型來反映金融中利空與利好消息對(duì)波動(dòng)的不確定性。本文的著眼點(diǎn)主要在于舍棄了經(jīng)典的MLE方法,

3、而是采用貝葉斯方法中的Gibbs抽樣法估計(jì)模型的參數(shù)。文章的結(jié)構(gòu)安排如下： 本文首先簡(jiǎn)單描述了Copula的定義及其相關(guān)性質(zhì),給出了Copula用于描述相關(guān)性的兩類統(tǒng)計(jì)量,對(duì)常用的Copula族進(jìn)行分類,簡(jiǎn)述了各個(gè)分類下所包含的常用Copula及其相關(guān)性質(zhì)。第三章分析了GARCH模型及GARCH-M模型,指出由GARCH擴(kuò)展到GARCH-M模型的必要性,并在此基礎(chǔ)上,提出用MCMC算法去估計(jì)ARMA-GJR-M模型的參數(shù),因?yàn)榕c