arch模型在金融时间序列中的应用-(本科毕业设计论文)

《arch模型在金融时间序列中的应用-(本科毕业设计论文)》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第一章绪论1第一章绪论1.1论文的研究背景及意义随着经济的发展，金融市场已逐渐成为经济发展的重要部分，金融理论的基础是风险与收益的关系，而资产价格的波动一定程度反映了资产的风险特性。对价格波动如何随时间变化的理解是投资者在决策过程中面临的主要问题之一，市场投资者可以利用对波动性的预测来进行风险管理、衍生证券的定价与对冲、市场时机的把握和投资组合的选择。如:市场波动性预测与市场风险溢价有关，对确定有条件的资产定价模型的风险溢价有很大影响;波动性预测对期权定价也有重要意义，因为股票市场波动是决定期权价格的主要因素。因此，如何更深刻理解

2、股票市场波动性特征并从中探寻其规律性，对金融理论而且对金融实践均具有重要意义。波动性是股票市场的最主要的特征之一，对股市的波动性研究始终是学者们关注的热点。对于波动性探究，首先想到的技术是经典成熟的B-J范式，即ARMA类时间序列模型。但大量的实证研究表明，金融数据中存在着波动性聚集性和尖峰厚尾的特性，因此，用一般的时间序列模型来拟合金融数的波动性就显得不太合适。1982年Engle开创性的提出了自回归条件异方差模型，即ARCH模型，将时变方差建立为过去波动的函数，能更好的描述资产收益率的尖峰厚尾的特征。1986年，Bollers

3、lev提出了广义ARCH模型，即GARCH模型，GARCH模型克服了ARCH模型的一些缺点，受到了人们的欢迎。将GARCH模型运用于金融时间序列的分析能够更有效的捕捉条件方差的动态特征，从而简化了高阶的ARCH模型。ARCH族模型是标准金融领域里最重要的模型之一，不仅在于它是一项极有理论价值的理论创新，更在其对于现实世界的刻画与解释能力。由于ARCH族模型展示了时间序列变量之间一系列重要的特殊的不确定形式，它已被广泛运用到检验金融模型与定理，验证市场有效性，测算市场系统性风险以及寻求最优动态无风险策略等众多领域。ARCH族模型目前

4、还在继续拓展其解释能力和运用领域，在(超)高频数据分析，多维模型等金融计量方法和市场微观结构理念的分析工具方面将引领金融经济学未来发展的前沿。 2ARCH模型在金融时间序列分析中的应用我国股票市场从成立至今仅有十几年的时间，但其发展速度非常迅猛，目前已成为刺激投资，推动我国经济发展的一个必不可少的部分。然而，正是由于时间过短，仍然存在着很多不完善之处，比如法制建设不健全，市场监管不力等；同时实证工作的开展更是远远落后于股市的发展。这些都造成了我国股票市场不同于西方发达国家的一个鲜明特征—投机色彩非常浓厚。同时其波动幅度和风险大大高

5、于国外成熟的市场，尤其是异常和超常波动更是频繁出现，股票市场波动特征及其影响因素研究是学者们和投资者所关注的焦点问题，也是政策制定者和监管当局衡量、监管和规避市场风险必不可少的参考。中国股市一向被称为：政策市，资金市，消息市。所以政策，资金和消息对中国股市的波动会产生重大的影响。现有研究中国股市波动性特征基本上认为中国股票市场的波动性比发达国家成熟股市波动程度大。近年来研究中国股市波动性正方兴未艾，而且主要研究的是沪深股市指数收益波动性。因而用ARCH理论对我国股票市场进行实证研究主要有以下几个目的：第一，吸收西方国家先进的金融计

6、量经济学理论，力争为推动我国股票市场实证研究工作的向前迈进做出一点贡献，以使其更趋规范，更趋严谨，同时对实践也能起到更好的引导作用；第二，通过模型的实证结果力争揭示我国股票市场的总体特征，并为其规范和完善提出一些合理化的建议。1.2国内外研究概况1.2.1国外研究现状金融时间序列分析研究是资产价值随时问演变的理论与实践，它是一个带有高度经验性的学科，但是也像其他科学领域一样，理论是形成分析推断的基础。然而，金融时间序列分析有一个区别于其他时间序列分析的主要特点：金融理论及其经验的时间序列都包含不确定因素。例如，资产波动率有各种不同

7、的定义，对一个股票收益率序列，波动率是不能直接观察到的。正因为带有不确定性，统计理论和方法在金融时间序列分析中起重要作用。20世纪60年代后期，计量经济学理论在全球得到了迅猛发展，同时也掀开 第一章绪论3了时间序列分析方法崭新的一页。1970年，Box和Jenkins系统提出了ARMA模型的一系列理论，从此越来越多的学者开始关注随机时间序列模型。1982年，诺贝尔经济学奖获得者Engle教授在研究金融资产的价格变动行为中发现，非线性时间序列模型中随机扰动项的方差常常是不稳定的，它不仅受过去(价格)波动冲击的影响，并且大幅波动往往聚

8、集在某些时段。为描述和预测这类现象，Engle提出了自回归异方差(ARCH)模型，其核心思想是：某一特定时期的随机误差的方差不仅仅取决与以前的误差，还取决于其本身先前的方差。这一假设使ARCH模型较好捕捉了金融时间序列数据中存在的波动性聚类现象。E