论文部分内容阅读
金融计量研究的主要对象为非负值金融时间序列,如波动率、金融持续时间、价格极差、成交量等。针对于这些金融时间序列,学者们提出了—系列的模型进行研究。有刻画波动率的自回归条件异方差模型(ARCH)和广义自回归条件异方差模型(GARCH)、分析持续时间的自回归条件持续时间模型(ACD)以及针对价格极差的条件自回归极差模型(CARR)等。其中,GARCH模型和ACD模型的研究成果最为丰硕。然而,这些模型都是研究单个非负值金融时间序列的。为了能统—研究这些非负值金融时间序列,Engle在2002年首次提出了一种适合于非负值金融时间序列的一般化模型——乘积误差模型(MEM)。GARCH模型、ACD模型以及CARR模型都是乘积误差模型的特例。与参数乘积误差模型相比,非参数乘积误差模型具有自身的优势。参数乘积误差模型容易出现参数误设的问题,而非参数乘积误差模型则能弥补这一缺陷。而且,在数据过程比较复杂的情况下,非参数乘积误差模型的拟合效果通常会优于参数乘积误差模型。回顾以往国内外关于乘积误差方面的文献,我们发现,目前只有关于参数乘积误差方面的研究,非参数乘积误差模型方面的研究还是空白。鉴于此,本文主要致力于研究非参数乘积误差模型,力图完善乘积误差模型的体系。本文主要分为模型理论、模拟试验、实证分析这三块内容。模型理论这部分,我们首先介绍了GAR.CH模型、ACD模型、CARR模型和参数乘积误差模型,比较这四个模型的异同,并详细介绍参数乘积误差模型的估计方法——极大似然估计法。然后构建非参数乘积误差模型,在Buhlmann和McNeil、Cosma和Galli等提出的非参数估计算法的基础上,给出可行的算法,并证明该算法的一致性。该非参数估计方法的一致性证明是本文的一大创新。模拟试验这部分,我们主要运用蒙特卡洛模拟技术,在不同样本容量、随机扰动项服从不同分布、不同的条件均值过程这三种情况下,生成模拟数据。分别建立参数乘积误差模型和非参数乘积误差模型对模拟数据进行估计,比较这两个模型的拟合效果。实证分析这部分,我们将非参数乘积误差模型应用于中国证券市场上,分析上证综指和深证成指的成交量高频数据。针对这两个指数的对数成交量分别建立参数乘积误差模型和非参数乘积误差模型,进行样本内估计和样本外预测,比较这两个模型的拟合效果和预测能力。模拟试验和实证分析的结果均表明,非参数乘积误差模型的拟合效果和预测能力均优于参数乘积误差模型。本论文是国家自然科学基金“新兴订单驱动市场非负值金融时间序列的乘积误差建模及应用研究”(71101118)项目中的子课题。