現(xiàn)代金融專題研究-展示頁(yè)
2025-01-11 02:11本頁(yè)面
【正文】 gh分布45672 ARCH模型167。 由于大多數(shù)的金融資產(chǎn)具有明顯的重尾性，可以采用兩種方法進(jìn)行改進(jìn)216。 對(duì)深市 ~ ，峰度是 。 回歸的結(jié)果可能是錯(cuò)誤的23金融時(shí)間序列的特點(diǎn)167。 以上的這些特點(diǎn)，傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)的線性回歸模型是無(wú)法解決的。 波動(dòng)叢集性（ volatility clustering）和波動(dòng)集中性（ volatility pooling），波動(dòng)是自相關(guān)的167?，F(xiàn)代金融研究專題GARCH模型1金融時(shí)間序列的特點(diǎn)167。 尖峰厚尾（ Leptokurtosis）：金融回報(bào)序列普遍表現(xiàn)出厚尾（ fat tails）和在均值處出現(xiàn)過(guò)度的峰度（ excess peakedness）， 偏離正態(tài)分布167。 正負(fù)沖擊的非對(duì)稱性：好消息和壞消息對(duì)投資者的影響167。216。 實(shí)證結(jié)果表明：金融資產(chǎn)的回報(bào)率并不完全滿足正態(tài)分布216。167。 條件分布： ARCH和 GARCH216。 ARCH， autoregressive conditionally heteroscedastic，自回歸條件異方差模型216。 自回歸： 殘差平方服從 AR(p)過(guò)程167。167。 普通最小二乘估計(jì)（ OSL）：回歸直線要使得殘差平方和最小。 異方差存在時(shí)，普通最小二乘估計(jì)法給誤差方差大的觀測(cè)值以較大的權(quán)重，給誤差方差小的觀測(cè)值以較小的權(quán)重。 回歸結(jié)果：使得殘差平方和最小，故產(chǎn)生一個(gè)后果，只要方差大的那部分?jǐn)?shù)據(jù)得到很好的擬合，這樣普通最小二乘不再是有效的 —— 參數(shù)估計(jì)量的方差不再是最小的方差。 這樣由 OSL估計(jì)得到的參數(shù)估計(jì)量的方差是 “偽方差”，無(wú)法證明回歸參數(shù)與真實(shí)值的關(guān)系。 條件均值216。 理解：條件期望是關(guān)于隨機(jī)變量 X的值的函數(shù)，對(duì)于 X不同的取值，條件期望也是不同，即E(y|x)為隨機(jī)變量。在本例中，也就是 y對(duì) x的回歸條件均值是 x的函數(shù)，若 X是一個(gè)分布，則條件均值也是一個(gè)分布。 迭代期望定理216。 條件方差17回歸與無(wú)條件方差ESS誤差平方和， RSS回歸平方和， TSS總偏差平方和18無(wú)條件方差由此得到方差分解公式：19167。20 ARCH模型的導(dǎo)出注意： ut是一個(gè)白噪聲，其無(wú)條件方差是一個(gè)常數(shù)?；貞洠簵l件期望值等價(jià)于回歸Chou， Korner（ 1992） 22正態(tài) ARCH（ q）或者或者23 ARCH（ 1）模型的參數(shù)約束在這里我們還要考察殘差序列的平穩(wěn)性問(wèn)題！24隨機(jī)過(guò)程的平穩(wěn)性167。216。167。 定義：平穩(wěn)隨
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1