论文部分内容阅读
对金融资产波动性的建模是金融时间序列分析的重要内容,其对于资产定价、金融风险管理以及市场微观结构分析都有着重要的意义。金融资产的波动通常表现出聚集性和长记忆性,且正的收益率和负的收益率会对波动率产生非对称的影响,即所谓的“杠杆效应”。GARCH模型是最为常用的描述金融资产波动特征的时间序列模型。对于传统的参数化GARCH模型,通过设定收益率的条件分布为某一特定的参数分布,继而可由极大似然估计法得到模型的参数估计,其中最为常用的是基于条件正态假设的伪极大似然估计(QMLE)。但大量的文献研究表明,收益率的分布通常具有尖峰、厚尾及有偏的特点,其条件分布往往也非常不均匀,并不符合正态性假定。虽然在满足一定的正则条件下,QMLE是渐近相合的,但其在效率上的损失也是不容忽视的。此外,基于特定分布假设下的参数化模型往往具有较高的模型误设风险。为此,一些学者将非参数方法与参数化的GARCH设定相结合,建立了不依赖于条件分布假设的半参数GARCH模型,以期提高参数估计的相对效率以及模型的精准度。但传统的非参数方法并不能很好地估计收益率的条件分布密度,尤其无法捕捉厚尾特征。针对上述问题,本文借鉴变换核密度估计的思想,提出了一种广义Logistic变换,并对变换后的样本应用Beta核密度估计以克服“边界偏差”问题。模拟试验表明,该方法显著提高了对尖峰厚尾分布密度的估计精度。继而将该方法与参数化的GARCH设定相结合,构建了一种新的半参数GARCH模型。该模型具有两个优点：第一,基于变换核密度估计可更加准确地估计收益率的条件分布；第二,通过迭代提高了参数估计的稳健性。模拟试验表明,较之伪极大似然估计法和基于离散最大惩罚似然估计的半参数方法,该方法大大提高了参数估计的相对效率。对沪深300指数的实证研究验证了本文模型的有效性。