《在ARCH&GARCH下的金融实例分析.docx》由会员分享，可在线阅读，更多相关《在ARCH&GARCH下的金融实例分析.docx（10页珍藏版）》请在金锄头文库上搜索。
1、在下的金融实例分析一、引言在接触到时间序列数据之前，我们主要利用最小二乘估计来分析横截面数据及面板数据。OLS估计的几个重要的假设，其中很重要的一点就是：所有的误差项的条件期望值及条件方差均相同，即：同方差假设。可我们不禁要问：现实生活中真的是否存在同方差？关于同方差的假设一般是被应用到横截面数据当中的。可是我们发现，即使在横截面数据中也不一定存在同方差。我们曾经在用STATA处理横截面数据的异方差问题时，用到了这样一个命令：robust standard errors。如果样本数足够多，那么robust standard errors是可以提供对异方差较好的估计的。但是，如果样本数并不多，或
2、者说很少，用这个方法并不能达到预期的效果。在横截面数据中尚且如此，那么在时间序列中，尤其是金融产品领域，异方差是常有的事，如果仅仅依靠OLS估计，或利用robust standard errors，并不能解决根本问题。如果存在异方差时，仍利用OLS估计，尽管对系数估计是无偏的，然而，在对标准误和置信区间估计时则不精确。也就是说传统的方法在分析异方差时是有缺陷的，而经济实务中的现实要求，对学术界提出了新的期待。于是，ARCH模型应运而生了。所谓的ARCH模型就是自回归条件异方差模型，将异方差视为变量。以及后来又继续发展出来的GARCH模型，甚至还有EGARCH模型，TARCH模型。通过ARCH&
3、GARCH模型，一方面可以弥补OLS估计在衡量异方差时的缺陷，同时还可以用于预测误差项的方差。而一般情况下，我们把这些方法应用于金融领域，它们已经被广泛地应用于处理时间序列异方差模型中，运用这两个模型的目的，就是产生一个用于预测波动的工具。在本次的研究中，本人主要将ARCHGARCH应用于风险价值的分析中。因此，本文力求在理论上给出一些解释，并进行相应的反思。二、数据与模型首先，对于本次研究对象value-at-risk，简称VAR，从经济学角度来说，在一定的持有期程一定的置信区间内，一个投资组合最大潜在损失是多少，资产在正常的市场条件下的风险值。VAR要计算的实际上是正常情况下投资组合的预期
4、价值与在一定置信水平下的最低价值之差。以本次的例子来说，VAR，表明这一投资组合有99的可能性损失不超过1,000,000，换句话说，只有1超过1,000,000。置信区间很重要，它主要反映一家银行风险的战略和经营特点。例如，大通银行是，花旗银行为，美洲银行和摩根斯坦利为95。风险价值方法是近几年发展起来的用以测量和控制金融风险的量化模型，已经被全球各主要银行、非银行金融机构、公司和金融监管机构采用。1996年，巴塞尔委员会委员规定其成员银行及金融机构必须采用VAR技术针对交易书中的所有项目建立内部市场风险模型，用于风险控制、业绩评估、金融监管。其次，本例中分析的是金融产品组合，主要包括：50
5、%纳斯达克、30%道琼斯以及20%10年长期国债(10year constant maturity Treasury bond)。样本的时间是从1990年3月23日到2001年6月28日，同时还需要产生三个变量：rate = - dlog(usbyld)nq = dlog(nasdaq)，dj = dlog(djindus)，port = *nq+*dj+*rate。 在基本创建好相关的变量后，我们就可以利用数据进行相关的分析。三、分析首先，根据表1的相关数据进行分析。从均值来看，NQ是最大的，而RATE最小的，均值主要是反映投资的回报的高低。从标准差来看，显然，NQ是最大的，也就是说它的波动
6、最大，风险最高，而RATE是最小的，PORT虽然不是最小，但是可以看出它比NQ和DJ都来得小，这主要是由于PORT是产品组合，通过多样化的投资可以减少风险。同时这两个数据反映了这么一种关系：报酬越高，风险可能也就越大。再次，从偏度来看，都小于0。也就是它们的实际收益率数据分布并不关于0点对称。如图2所示，本例中的数据均呈现出左偏斜。同时，从该图中，我们能看到峰度都3,这表明实际的收益率尾部概率比正态分布大，这也被称为“厚尾”现象。其次，对于该金融产品组合来说，要来检验是否存在ARCH模型，是可以通过对残差平方做自相关分析。结果见表2，从一阶自相关系数是，随着滞后阶数的增加，自相关系数总体呈现递
7、减趋势，15阶自相关系数是。这反映了，近期的影响较大，随着时间跨度增大，影响越小。从表2中能看得出来，P值非常的小，也就是说拒绝“不存在ARCH”的零假设。一、引言在接触到时间序列数据之前，我们主要利用最小二乘估计来分析横截面数据及面板数据。OLS估计的几个重要的假设，其中很重要的一点就是：所有的误差项的条件期望值及条件方差均相同，即：同方差假设。可我们不禁要问：现实生活中真的是否存在同方差？关于同方差的假设一般是被应用到横截面数据当中的。可是我们发现，即使在横截面数据中也不一定存在同方差。我们曾经在用STATA处理横截面数据的异方差问题时，用到了这样一个命令：robust standard
8、errors。如果样本数足够多，那么robust standard errors是可以提供对异方差较好的估计的。但是，如果样本数并不多，或者说很少，用这个方法并不能达到预期的效果。在横截面数据中尚且如此，那么在时间序列中，尤其是金融产品领域，异方差是常有的事，如果仅仅依靠OLS估计，或利用robust standard errors，并不能解决根本问题。如果存在异方差时，仍利用OLS估计，尽管对系数估计是无偏的，然而，在对标准误和置信区间估计时则不精确。也就是说传统的方法在分析异方差时是有缺陷的，而经济实务中的现实要求，对学术界提出了新的期待。于是，ARCH模型应运而生了。所谓的ARCH模型就
9、是自回归条件异方差模型，将异方差视为变量。以及后来又继续发展出来的GARCH模型，甚至还有EGARCH模型，TARCH模型。通过ARCH&GARCH模型，一方面可以弥补OLS估计在衡量异方差时的缺陷，同时还可以用于预测误差项的方差。而一般情况下，我们把这些方法应用于金融领域，它们已经被广泛地应用于处理时间序列异方差模型中，运用这两个模型的目的，就是产生一个用于预测波动的工具。在本次的研究中，本人主要将ARCHGARCH应用于风险价值的分析中。因此，本文力求在理论上给出一些解释，并进行相应的反思。二、数据与模型首先，对于本次研究对象value-at-risk，简称VAR，从经济学角度来说，在一定
10、的持有期程一定的置信区间内，一个投资组合最大潜在损失是多少，资产在正常的市场条件下的风险值。VAR要计算的实际上是正常情况下投资组合的预期价值与在一定置信水平下的最低价值之差。以本次的例子来说，VAR，表明这一投资组合有99的可能性损失不超过1,000,000，换句话说，只有1超过1,000,000。置信区间很重要，它主要反映一家银行风险的战略和经营特点。例如，大通银行是，花旗银行为，美洲银行和摩根斯坦利为95。风险价值方法是近几年发展起来的用以测量和控制金融风险的量化模型，已经被全球各主要银行、非银行金融机构、公司和金融监管机构采用。1996年，巴塞尔委员会委员规定其成员银行及金融机构必须采
11、用VAR技术针对交易书中的所有项目建立内部市场风险模型，用于风险控制、业绩评估、金融监管。其次，本例中分析的是金融产品组合，主要包括：50%纳斯达克、30%道琼斯以及20%10年长期国债(10year constant maturity Treasury bond)。样本的时间是从1990年3月23日到2001年6月28日，同时还需要产生三个变量：rate = - dlog(usbyld)nq = dlog(nasdaq)，dj = dlog(djindus)，port = *nq+*dj+*rate。 在基本创建好相关的变量后，我们就可以利用数据进行相关的分析。三、分析首先，根据表1的相关数
12、据进行分析。从均值来看，NQ是最大的，而RATE最小的，均值主要是反映投资的回报的高低。从标准差来看，显然，NQ是最大的，也就是说它的波动最大，风险最高，而RATE是最小的，PORT虽然不是最小，但是可以看出它比NQ和DJ都来得小，这主要是由于PORT是产品组合，通过多样化的投资可以减少风险。同时这两个数据反映了这么一种关系：报酬越高，风险可能也就越大。再次，从偏度来看，都小于0。也就是它们的实际收益率数据分布并不关于0点对称。如图2所示，本例中的数据均呈现出左偏斜。同时，从该图中，我们能看到峰度都3,这表明实际的收益率尾部概率比正态分布大，这也被称为“厚尾”现象。其次，对于该金融产品组合来说，要来检验是否存在ARCH模型，是可以通过对残差平方做自相关分析。结果见表2，从一阶自相关系数是，随着滞后阶数的增加，自相关系数总体呈现递减趋势，15阶自相关系数是。这反映了，近期的影响较大，随着时间跨度增大，影响越小。从表2中能看得出来，P值非常的小，也就是说拒绝“不存在ARCH”的零假设。
