论文部分内容阅读
近几年随机波动模型在我国得到了不断发展,研究者提出了众多扩展模型,但SV模型的扩展模型模拟我国金融时间序列的优劣程度并无确切标准。论文利用基于Gibbs抽样的MCMC贝叶斯方法对各种SV相关模型进行了贝叶斯估计,对不同模型模拟深证股市的特征进行了优劣比较。论文首先介绍了金融波动模型的产生背景、研究现状及波动模型估计的贝叶斯方法。然后以深证成指和上证指数为例,对我国的金融时间序列进行统计分析,证明了我国股市的收益率具有尖峰重尾的现象。论文主要工作在第三至第五章,利用深证成指分析股市波动性,首先根据贝叶斯定理对标准SV模型,借助WinBUGS软件,利用Gibbs抽样的MCMC方法对模型进行贝叶斯参数估计;然后对标准SV模型进行了两个方向的扩展:重尾SV-T模型、杠杆效应SVL-HS-N和SVL-JAR-N模型,同样构造了基于Gibbs抽样的MCMC数值计算过程,运用WinBUGS软件对不同模型参数进行估计;其次将重尾分布和杠杆效应结合在一起,构建了重尾t分布基础之上的SVL-HS-T模型和SVL-JPR-T模型,针对仿真结果对两类模型模拟深圳股市的特征进行比较分析;最后把非线性SV模型扩展为非线性杠杆SV模型。经过比较分析发现,代表中国股市的深圳股市表现出强的波动持续性,而波动性又存在尖峰重尾现象;具有杠杆效应的SVL-JPR-N相对于SVL-HS-N模型来说,能更好的捕捉股票指数的非对称现象;重尾分布跟杠杆效应结合在一起的SVL-HS-T相对于SVL-JPR-T模型来说,对深证成指的模拟效果更好一些;对非线性杠杆模型估计结果表明,每天到达深圳股市的新信息次数较高,有较强的波动性。