前言：本站為你精心整理了國(guó)債市場(chǎng)波動(dòng)率管理范文，希望能為你的創(chuàng)作提供參考價(jià)值，我們的客服老師可以幫助你提供個(gè)性化的參考范文，歡迎咨詢。

摘要：通過(guò)對(duì)上海證券交易所國(guó)債市場(chǎng)指數(shù)收益率序列波動(dòng)特征的研究發(fā)現(xiàn)，上交所國(guó)債市場(chǎng)指數(shù)收益率不但具有非正態(tài)性和條件異方差的特點(diǎn)，還具有長(zhǎng)記憶性特征。實(shí)證研究表明，F(xiàn)IGARCH(1，d，1)模型能夠較好地刻畫上交所國(guó)債指數(shù)收益率波動(dòng)的特征。

關(guān)鍵詞：非正態(tài)性；條件異方差；長(zhǎng)記憶性；FIGARCH(1，d，1)模型

一、問(wèn)題提出與文獻(xiàn)回顧

由于金融類時(shí)間序列，如收益率時(shí)間序列，往往具有時(shí)變性特點(diǎn)和束性趨勢(shì)，其方差會(huì)隨著時(shí)間變化而變化，呈現(xiàn)出異方差特征。因此對(duì)金融類時(shí)間序列的刻畫，主流的研究方法都是建立在ARCH類模型的基礎(chǔ)上進(jìn)行的。

國(guó)外的研究中，Brooks和Simon(1998)按照一定的標(biāo)準(zhǔn)選用特定的GARCH模型來(lái)預(yù)測(cè)美元匯率的收益波動(dòng)情況；Aguilar，Nydahl(2000)使用GARCH模型來(lái)對(duì)匯率的波動(dòng)性進(jìn)行建模，取得了較好的擬合效果；Torhen、Bollerslev等人(2001)在基于德國(guó)馬克和日元對(duì)美元的匯率值、每日匯率值、每日匯率的波動(dòng)分布和相關(guān)性的基礎(chǔ)上，完善了GARCH模型使用過(guò)程中對(duì)樣本分布的限制條件。

在國(guó)內(nèi)，惠曉峰等(2003)基于時(shí)間序列GARCH模型對(duì)人民幣匯率進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)GARCH模型的預(yù)測(cè)匯率與實(shí)際匯率是非常接近的，擬合曲線幾乎完全跟得上實(shí)際匯率走勢(shì)；鄒建軍(2003)通過(guò)研究發(fā)現(xiàn)GARCH(1，1)模型對(duì)我國(guó)滬市收益波動(dòng)性具有比較好估計(jì)和預(yù)測(cè)效果。牛方磊、盧小廣(2005年)運(yùn)用ARCH類模型對(duì)基金市場(chǎng)的波動(dòng)性進(jìn)行了研究，發(fā)現(xiàn)上證基金指數(shù)收益率表現(xiàn)出非正態(tài)性和條件異方差的特征，GARCH(1，1)模型對(duì)上證基金的波動(dòng)具有很好的擬合效果。王佳妮、李文浩(2005)應(yīng)用ARCH類模型分析了1999—2004年歐元、日元、英鎊、澳元等四種貨幣兌美元的匯率。

以上研究表明，ARCH類模型能夠比較準(zhǔn)確地刻畫金融類時(shí)間序列，特別是金融收益率時(shí)間序列的波動(dòng)性。因此，本文對(duì)我國(guó)交易所國(guó)債市場(chǎng)波動(dòng)率的研究，也是以ARCH類模型為基礎(chǔ)，通過(guò)深入分析交易所國(guó)債市場(chǎng)波動(dòng)率的內(nèi)在特征，選取合適的模型對(duì)其進(jìn)行刻畫。

二、樣本選取與統(tǒng)計(jì)特征分析

(一)樣本選取和指標(biāo)設(shè)計(jì)

由于上海證券交易所國(guó)債指數(shù)從總體上基本反映了上海證券交易所國(guó)債價(jià)格的變動(dòng)情況。本文以上證國(guó)債指數(shù)作為研究對(duì)象，選取2003年2月24日至2006年4月18日的每日上證國(guó)債指數(shù)收盤價(jià)為樣本，共計(jì)764個(gè)觀測(cè)值，數(shù)據(jù)來(lái)源于上海證券交易所、湘財(cái)證券圓網(wǎng)等相關(guān)網(wǎng)站。

在確定研究的樣本期后，再對(duì)上證國(guó)債指數(shù)的日收益率進(jìn)行計(jì)算，計(jì)算公式為：

OX語(yǔ)言環(huán)境下TSM0．4軟件包計(jì)算得出。

(二)統(tǒng)計(jì)描述及分析

首先，根據(jù)樣本序列(見圖1)，我們對(duì)其基本波動(dòng)特征進(jìn)行分析，依次進(jìn)行自相關(guān)檢驗(yàn)、單位根檢驗(yàn)、正態(tài)性檢驗(yàn)和異方差性檢驗(yàn)。結(jié)果如下：

(1)根據(jù)Ljung-BoxQ統(tǒng)計(jì)量和對(duì)應(yīng)P值(見表1)，可以判定樣本序列在至少滯后25期內(nèi)，不能拒絕沒(méi)有自相關(guān)的零假設(shè)，說(shuō)明樣本序列存在自相關(guān)性。

(2)對(duì)樣本序列進(jìn)行ADF單位根檢驗(yàn)，由于序列圍繞零均值上下波動(dòng)，故檢驗(yàn)選擇無(wú)常數(shù)項(xiàng)和趨勢(shì)項(xiàng)類型，ADF檢驗(yàn)的t統(tǒng)計(jì)量為－14．69335，明顯小于顯著性水平1％的Mackinnon臨界值－3．4415，表明在1％的顯著性水平下，拒絕樣本序列存在單位根的原假設(shè)，說(shuō)明樣本序列具有平穩(wěn)性。

(3)采用峰度(K)、偏度(S)以及JB檢驗(yàn)聯(lián)合判斷樣本序列的正態(tài)性(見表2)，結(jié)果表明樣本序列顯著異于正態(tài)分布，高峰厚尾現(xiàn)象明顯。

(4)對(duì)樣本序列異方差性的檢驗(yàn)，采用ARCH-LM檢驗(yàn)法，當(dāng)取滯后階數(shù)為1時(shí)，結(jié)果(見表3)顯示樣本序列在l％的顯著性水平下，殘差序列存在ARCH效應(yīng)，說(shuō)明樣本序列具有異方差性，當(dāng)滯后階數(shù)取10、20時(shí)，結(jié)果一致。

其次，根據(jù)樣本序列自相關(guān)ACF圖，滯后階數(shù)為200(見圖2)，進(jìn)行樣本序列記憶性特征分析，我們可以發(fā)現(xiàn)，自相關(guān)函數(shù)前11階下降的很快，而在其后則緩慢衰減，直至141階才逐漸接近于0，可見自相關(guān)函數(shù)對(duì)以前的影響有很強(qiáng)的依賴性，而且它衰減的形式不是很快地以指數(shù)形式衰減，而是以雙曲線的形式緩慢衰減，這表明條件方差受到的沖擊具有很長(zhǎng)的持久性，樣本序列具有長(zhǎng)記憶性特征，我們采用標(biāo)準(zhǔn)的GPH法對(duì)其進(jìn)行檢驗(yàn)。根據(jù)標(biāo)準(zhǔn)的GPH－估計(jì)量得出的樣本序列的記憶參數(shù)d=0．43215(0．0162)，括號(hào)內(nèi)為OLS估計(jì)檢驗(yàn)統(tǒng)計(jì)量的P值，結(jié)果清楚地表明樣本序列長(zhǎng)記憶特征的存在。

多智網(wǎng)校誠(chéng)招全國(guó)各地市獨(dú)家線下商，共同開發(fā)網(wǎng)上教育市場(chǎng)。多智教育()！

三、上交所國(guó)債收益波動(dòng)率模型的構(gòu)建

首先對(duì)樣本收益率序列建立輔助回歸模型：

由于一般金融文獻(xiàn)均認(rèn)為GARCH(1，1)模型就能夠描述大量的金融時(shí)間序列數(shù)據(jù)，因此，本文根據(jù)FIGARCH(1，d，1)模型對(duì)樣本序列的條件異方差建模，模型的最終形式為：

四、實(shí)證研究

(一)參數(shù)估計(jì)

對(duì)模型參數(shù)估計(jì)方法采用擬極大似然估計(jì)(QMLE)。由于分?jǐn)?shù)差分算子d是捕捉過(guò)程中長(zhǎng)期記憶特征的，因此，在參數(shù)估計(jì)時(shí)，滯后階數(shù)選用200階。另外，由于樣本序列具有非正態(tài)性特征，因此本文在參數(shù)估計(jì)過(guò)程中假定殘差序列服從t分布。計(jì)算結(jié)果如表4所示：

模型的AIC值為－12．314，SC值為－12．243，都非常小，這說(shuō)明FIGARCH模型能夠較好地?cái)M合數(shù)據(jù)。另外，采用Box－Pierce統(tǒng)計(jì)量，進(jìn)一步檢驗(yàn)建立模型后標(biāo)準(zhǔn)化參差序列及序列是否存在自相關(guān)性，其中K值為滯后階數(shù)，取k=20，得出Q(K)=6．32(0．914)，Q2(20)=16．72(0．923)。結(jié)果顯示在高概率水平下接受Ho假設(shè)，即序列不存在自相關(guān)。

(二)預(yù)測(cè)

我們對(duì)條件方差進(jìn)行單步向前預(yù)測(cè)，在此采用平均預(yù)測(cè)誤差平方和的平方根(RMSE)，平均絕對(duì)誤差(MAE)和平均預(yù)測(cè)誤差(MFE)三個(gè)衡量時(shí)間序列預(yù)測(cè)效果最常用的指標(biāo)進(jìn)行測(cè)量。為進(jìn)一步檢驗(yàn)所得FIGARCH模型對(duì)樣本序列刻畫的效果，我們同時(shí)對(duì)樣本序列建立GARCH模型(具體形式略)，并與FIGARCH模型進(jìn)行比較，預(yù)測(cè)的對(duì)象為樣本外2006年4月19日至29日的10天數(shù)據(jù)，結(jié)果見表5。

結(jié)果顯示FIGARCH模型在三項(xiàng)指標(biāo)的預(yù)測(cè)值偏離度上都小于GARCH模型。這說(shuō)明FIGARCH模型對(duì)條件方差波動(dòng)的預(yù)測(cè)能力上明顯優(yōu)于GARCH模型。

五、結(jié)論

本文通過(guò)對(duì)上海證券交易所國(guó)債指數(shù)收益率序列波動(dòng)特征的研究發(fā)現(xiàn)，上交所國(guó)債指數(shù)收益率不但具有一般金融類時(shí)間序列非正態(tài)性和條件異方差的特點(diǎn)，還具有長(zhǎng)記憶性特征，據(jù)此，本文選取了更適合刻畫時(shí)間序列長(zhǎng)記憶特征的FIGARCH(p，d，q)模型對(duì)上交所國(guó)債指數(shù)收益率序列建模。

通過(guò)與GARCH模型的比較發(fā)現(xiàn)，F(xiàn)IGARCH模型對(duì)上交所國(guó)債指數(shù)收益率序列條件方差波動(dòng)的預(yù)測(cè)能力上明顯較強(qiáng)。這些結(jié)論相信能為今后進(jìn)一步深化對(duì)我國(guó)國(guó)債市場(chǎng)風(fēng)險(xiǎn)特征的研究提供一定的參考。