论文部分内容阅读
对于价格指数研究的一个重要方向,就是利用金融时间序列分析。其中收益率序列表现出的波动率的尖峰厚尾和波动率集聚现象对金融实践具有重要意义。因此很多研究波动率的条件异方差模型不断被学者提出。
这些模型大致分为两类,一类是用确定的函数描述条件方差σ2t演变,一类类是用随机方程来描述条件方差σ2t的演变。ARCH类模型模型属于第一类模型,而SV类模型属于第二类模型。过去对于这些模型的评价,往往只关注于模型对于金融数据某一特征的描述和预测精度,并没有一种方式关注模型对整个数据的拟合精度的评价。本文将选择新的方法对两类模型的拟合精度进行评价。Didbold提出的密度预测方法提供了一种解答这个问题的工具。
该度预测方法基于模型提供的条件概率密度函数,能够对模型的拟合能力和预测能力提供评价。该方法可以评估互不包含的不同模型的表现,并且可以容易扩展到多步密度预测和多变量密度预测,十分灵活。
Didbold利用直方图和序列相关图代替了传统的独立均匀分布检验,但具有一定的局限。本文对该方法进行了补充,在数据量较小时,用Greenwood统计量代替直方图方法,得到了更精确的的检验结果。并在此基础上,初步讨论了密度预测模型排序的方法。
同时,对上证综合指数每日收盘价的波动率建模,利用5种不同的模型,分别建立误差项基于标准正态分布和学生t-分布的模型,并利用密度预测函数进行了综合分析评价。