论文部分内容阅读
MCMC算法在近10年来越来越受到统计界与计量经济界的广泛重视，自从Chib和Greenberg(1994)开创性地提出了对ARMA模型的MCMC算法后，国内外有许多学者开始对自回归条件异方差模型的MCMC算法进行了大量的研究。MCMC算法与经典的MLE方法相比，它具有更好的稳定性，同时也避免了用MLE方法所带来的极值优化的复杂性。为了将市场风险更好地反应在投资回报中，Engle等人(1987)引入了GARCH-M模型。作为该模型的推广，我们在本文中提出了一个一般的ARMA(p,q)-GARCH(r,s)-M(k)模型，并在详细给出模型的后验分布以及模型的所有参数的满条件分布的基础上，结合Chib and Greenberg (1994)与 Nakatsuma (2000)等人的工作，对此新模型设计了一个可行的混合Metropolis-Hastings算法，简化了MA块与GARCH块的估计。同时，使用该算法对上证指数(1998年1月1日至2001年12月31日)的收益率的AR-GARCH-M模型的参数进行了估计，并分析了数据的整合性与市场的风险效应。在论文的第二大部分内容(第五章)中，我们独立地利用经典的统计方法，用两个模型(IGARCH(1,1)-M模型和EGARCH(1,1)-M模型)对中国股票市场的风险特征加以讨论。通过统计分析得到，对上证指数的收益率，IGARCH(1,1)-M模型与EGARCH(1,1)-M模型的统计描述效果基本相同，其结果各有千秋；而对深圳成份指数的收益率，IGARCH(1,1)-M模型的描述结果要略好于EGARCH(1,1)-M模型。这个结果对研究我国证券市场的风险补偿和波动率依赖的特征具有重要的意义。