《第05章 市場風險：波動率》由會員分享，可在線閱讀，更多相關《第05章 市場風險：波動率（77頁珍藏版）》請在裝配圖網上搜索。

1、王 鵬 博士西南財經大學金融學院Chapter 05 市 場 風 險 ： 波 動 率 Copyright Wang Peng， 20102/76 引 言v對金融市場波動性的研究是現代金融理論的核心內容之一。v波動性不僅是金融風險資產的決定因素，還是金融衍生產品定價中的一個關鍵參數。v能否對市場波動做出準確的刻畫和預測，直接關系到風險管理的有效性和衍生產品定價的合理性等重要問題。 Copyright Wang Peng， 20103/76 內 容 提 要v波動率的定義v采用歷史數據估計波動率v收益率是否服從正態(tài)分布v監(jiān)測日波動率v指數加權移動平均模型vGARCH模型、隨機波動模型、隱含波動率模型

2、、實現波動率模型v模型選擇和極大似然估計 Copyright Wang Peng， 20104/76 5.1 波 動 率 的 定 義v波動率：單位時間內連續(xù)復利收益率的標準差v期權定價：一年v風險控制：一天v不同期限波動率之間的轉換：時間的平方根規(guī)則 Copyright Wang Peng， 20105/76 5.1 波 動 率 的 定 義vExamplev一股票價格為50美元，其波動率為每年30，對應于每周的價格百分比變化的標準差近似為：v因此，股票價格每周變化的標準差為500.0416，即2.08美元。30% 152 4.16% Copyright Wang Peng， 20106/76

3、5.1 波 動 率 的 定 義v方差變化率v方差：波動率的平方v波動率與時間的平方根成正比v方差與時間本身成正比 Copyright Wang Peng， 20107/76 5.1 波 動 率 的 定 義v交易天數與日歷天數v計算波動率時，應該采用交易天數 or 日歷天數？v研究人員證明：價格在交易時間內的波動比無交易時間的波動大得多，所以采用歷史數據估計波動率時，應該忽略無交易的天數v美國：約252個交易日v中國：約250個交易日 Copyright Wang Peng， 20108/76 5.1 波 動 率 的 定 義v若為某資產的年波動率year，day為相應的日波動率，則：v或252

4、year day 250year day Copyright Wang Peng， 20109/76 5.1 波 動 率 的 定 義v思考：波動率由何而來？ 圖6-1 標準普爾500指數和上證綜指收益率的波動情況 Copyright Wang Peng， 201010/76 5.1 波 動 率 的 定 義v一個自然假設：波動率是由到達市場的新信息引起v上述假設并未得到實證研究（Fama，1965；French，1980；French and Roll，1980）的支持vFama等學者的研究思路：v計算（1）中間不含非交易日時，一個交易日結束到下一個交易日結束時股票價格收益率的方差；（2）周五收

5、盤到下周一收盤時收益率的方差 Copyright Wang Peng， 201011/76 5.1 波 動 率 的 定 義v若假設成立，第（2）項方差應為第（1）項方差的3倍v實證研究結論：第（2）項方差為第（1）項方差的1.22倍、1.19倍、1.107倍v這樣結果出現的原因是否在于開盤時有更多新信息？vRoll（1984）對橙子期貨價格的類似研究并不支持這樣的解釋 Copyright Wang Peng， 201012/76 5.2 采 用 歷 史 數 據 估 計 波 動 率v假定樣本數據為日數據v步驟：v（1）計算樣本期內每天的連續(xù)復利收益率rt；v（2）計算rt的標準差；v（3）根據“

6、時間的平方根”法則對進行調整。v計算實例：HS300.xls 2111 n t ii r rn (6-1) Copyright Wang Peng， 201013/76 5.3 收 益 率 是 否 服 從 正 態(tài) 分 布vEMH和Black-Scholes模型：v資產價格為獨立連續(xù)變化，波動率為常數v這意味著在任意時間t內，收益率均服從正態(tài)分布且標準差為：v現實是這樣的嗎？t Copyright Wang Peng， 201014/76 5.3 收 益 率 是 否 服 從 正 態(tài) 分 布 v擇時交易的小概率困境Real World (%) Normal Model (%)1 SD 25.04

7、31.732 SD 5.27 4.553 SD 1.34 0.274 SD 0.29 0.015 SD 0.08 0.006 SD 0.03 0.00 表6-1 價格變化大于16個標準差的天數占全部觀察日的比例注 ： 表 中 ， SD表 示 價 格 變 化 的 標 準 差 。資 料 來 源 ： H ull J, White A. Journal of Derivatives, 1998, 5(3): 9-19. Copyright Wang Peng， 201015/76 5.3 收 益 率 是 否 服 從 正 態(tài) 分 布v資產日收益率并不服從正態(tài)分布，差異主要表現在：v（1）實際分布的尾部較

8、正態(tài)分布更厚v（2）分布的尖峰較正態(tài)分布更高v意味著什么？v金融市場中，較小的價格變化和較大的價格變化出現的概率往往大于正態(tài)分布下的情況！ Copyright Wang Peng， 201016/76 5.3 收 益 率 是 否 服 從 正 態(tài) 分 布 圖6-3 正態(tài)分布與某一厚尾分布的比較 Copyright Wang Peng， 201017/76 5.3 收 益 率 是 否 服 從 正 態(tài) 分 布v正態(tài)分布的代替：冪律分布（Power law）v對于變量v，當x很大時：Prob(v x) = Kx-av其中，K 和 a 為常數。v(6-2)式已被證明適用于許多變量，如個人收入、城市規(guī)模和

9、網頁被點擊的次數等。(6-2) Copyright Wang Peng， 201018/76 5.3 收 益 率 是 否 服 從 正 態(tài) 分 布v由式(6-2)：ln Prob(v x) = ln K a lnxv可以通過lnProb(v x) lnx的線性關系來驗證式(6-2)x lnx Prob(vx) lnProb(vx) x lnx Prob(vx) lnProb(vx)1 0.000 0.12520 -2.078 4 1.386 0.00145 -6.536 2 0.693 0.02635 -3.636 5 1.609 0.00040 -7.8243 1.099 0.00670 -5

10、.006 6 1.792 0.00015 -8.805表6-2 由表6-1得出的數值 Copyright Wang Peng， 201019/76 5.3 收 益 率 是 否 服 從 正 態(tài) 分 布 圖6-4 基于表6-1的雙對數圖 Copyright Wang Peng， 201020/76 5.3 收 益 率 是 否 服 從 正 態(tài) 分 布v圖6-4表明，價格變化大于x個標準差的概率的對數與ln x呈線性關系，這說明了冪律的正確性。v利用x3，4，5，6的數據，可以得出最優(yōu)擬合曲線為：v即： ln Pr 1.06 5.51lnv x x 1.06 2.88K e 5.51 Copyrigh

11、t Wang Peng， 201021/76 5.3 收 益 率 是 否 服 從 正 態(tài) 分 布v一個大于4.5倍標準差的變化（可正可負）出現的概率為：v一個大于7倍標準差的變化（可正可負）出現的概率為：5.512 2.88 4.5 0.00146 5.512 2.88 7 0.0000642 Copyright Wang Peng， 201022/76 5.4 監(jiān) 測 日 波 動 率v日波動率為常數的假設與實際嚴重不符v可以利用最新價格不斷更正對波動率的估計，從而得到每天不同的波動率v計算實例：HS300.xlsv對式(6-1)的調整：v（1）令 ；（2）用n代替n-1v調整后：0r 2 2

12、11 nt t ii rn (6-3) Copyright Wang Peng， 201023/76 5.4 監(jiān) 測 日 波 動 率v加權權重v式(6-3)：不同滯后期發(fā)生的各種事件對未來波動率都具有相同權重的影響v缺陷：幽靈效應（Ghost effect）v金融市場中，不同時期的歷史數據對于未來波動率會有不同程度的影響，即越是近期的數據，對于未來波動的影響應該越大。 Copyright Wang Peng， 201024/76 5.4 監(jiān) 測 日 波 動 率v對(6-3)的一個自然改進：v其中，權重系數ai隨滯后期數i的增加而減小，且2 21nt i t ii r 1 2 1n (6-4)i

13、 j 當i j 時， Copyright Wang Peng， 201025/76 5.4 監(jiān) 測 日 波 動 率v假定存在某一長期平均方差VL，則可將式(6-4)寫為：v其中，為VL所對應的權重，且繼續(xù)有：2 21nt L i t iiV r 1 1n ii (6-5) Copyright Wang Peng， 201026/76 5.4 監(jiān) 測 日 波 動 率v式(6-5)：ARCH(n) 模型Engle（1982）vARCH(n)：方差的估計值與長期平均方差以及最近n個觀察值有關，且觀察數據越久遠，其權重越小。v令 ，有： LV 2 21nt i t ii r Copyright Wan

14、g Peng， 201027/76 5.5 指 數 加 權 移 動 平 均 模 型v指數加權移動平均模型EWMA：式(6-4)的一個特殊形式，其中的權重系數ai隨滯后時期延長而按指數速度衰減：v其中，為一取值為01的常數v由此出發(fā)，波動率估計模型可以表示為： 1i i 2 2 2 1 21 1 11 1 n it t t t iir r Copyright Wang Peng， 201028/76 5.5 指 數 加 權 移 動 平 均 模 型v歷史信息對于未來波動的影響隨時間間隔增大而衰減的速度通過衰減因子（decay factor）反映。v一個較大的值意味著歷史信息對于未來波動影響的衰減速

15、度較慢，而一個較小的值意味著這一衰減速度較快。 vEWMA模型中的波動率估計完全依賴于其中的唯一參數衰減因子 ，這給該模型的應用帶來了較大便利。v但 究竟取何值合適并沒有一致的標準，并且保持常數顯然與市場的時變波動特征相抵觸。 Copyright Wang Peng， 201029/76 5.5 指 數 加 權 移 動 平 均 模 型vJ.P. Morgan投資銀行開發(fā)的RiskMetrics技術曾建議將取為0.94，但該技術在金融風險測度領域中的糟糕表現，說明這一取值并不具備較強的合理性和實用性。 v另外，EWMA模型還隱含著未來各期波動率的期望值都是當前的波動率水平，即 ，這顯然忽視了近期

16、數據特征對于波動過程的較強影響。 2 2 1,2,3,t k tE k Copyright Wang Peng， 201030/76 5.6 GARCH類 模 型vGARCH類模型是目前金融研究中居于統(tǒng)治地位的一類波動率測度方法 。v該方法起源于Engle（1982）提出自回歸條件異方差模型（Auto-regressive Conditional Heteroscedastics，ARCH）的開創(chuàng)性工作。vEngle的學生Bollerslev（1986）通過將ARCH模型拓展，提出了廣義自回歸條件異方差模型（GARCH）。 Copyright Wang Peng， 201031/76 5.6

17、GARCH類 模 型Robert F. Engle 2003年諾貝爾經濟學獎獲得者Tim Bollerslev Copyright Wang Peng， 201032/76 5.6 GARCH類 模 型v在GARCH模型中， 是由長期平均方差VL 、rt-1、 所組成。v研究中最常用的GARCH(1,1)模型表示為：v且：2t 1t 2 2 21 1t L t tV r 1 Copyright Wang Peng， 201033/76 5.6 GARCH類 模 型vEWMA模型是GARCH(1,1)模型對應于0，1 ，的情形。vGARCH(1,1)模型中的(1,1)代表 是由最近的收益率觀察值

18、以及最近的方差估計所得。vGARCH(p,q): 2t 2 2 21 1p qt L i t i i t ii iV r Copyright Wang Peng， 201034/76 5.6 GARCH類 模 型v令 ，GARCH(1,1):v繼續(xù)有：v且LV 2 2 21 1t t tr 1 LV 1 (6-6) Copyright Wang Peng， 201035/76 5.6 GARCH類 模 型v權重v將 代入式(6-6)，可得：v繼續(xù)代入 ： 2 2 2 21 2 2 2 2 2 21 2 2 t t t tt t tr rr r 21t 2 2t 2 2 2 2 2 2 3 21

19、 2 3 3t t t t tr r r Copyright Wang Peng， 201036/76 5.6 GARCH類 模 型v繼續(xù)代入，可以看到 的權重為 ，即權重以指數速度下降，參數可被解釋為衰減率（Decay rate），類似于EWMA模型中的系數，決定了不同時期ri的重要性。v0.9： 的重要性只是 的90， 的重要性只是 的81， 與EWMA不同，GARCH(1,1)對長期平均方差也施加了權重。2t ir 1i 22tr 21tr 23tr21tr Copyright Wang Peng， 201037/76 5.6 GARCH類 模 型vGARCH模型較好地刻畫了收益率波動的

20、聚集性，但卻無法描述波動的非對稱效應。v為了解決這一問題，有學者提出了幾種非對稱GARCH模型，其中最常用的包括Nelson（1990）提出的EGARCH（Expotional GARCH）模型；Glosten et al.（1993）提出的GJR模型；以及Ding et al.（1993）提出的APARCH（Asymmetric power ARCH）模型。 Copyright Wang Peng， 201038/76 5.6 GARCH類 模 型v另外，在研究一些金融時間序列時，有學者還注意到誤差項的自相關系數呈現典型的雙曲率衰減特征，這引發(fā)了ARCH模型與長記憶過程相結合的研究熱潮。 F

21、IGARCH-BBM FIGARCH-Chuang FIEGARCH FIAPARCH Copyright Wang Peng， 201039/76 5.6 GARCH類 模 型vGARCH類模型本身還是存在若干無法克服的缺陷v在所有GARCH類模型中，系數都衡量了金融市場隨機因素對未來波動的沖擊程度，而 系數則衡量了波動率的持續(xù)程度。v由于GARCH類模型的平穩(wěn)性要求 ，所以在隨機因素沖擊程度和波動率持續(xù)性程度之間就存在數值上的平衡（即兩者不能同時增加，從而導致 情況的出現），從而導致GARCH類過程很難捕捉到金融市場突然發(fā)生的 大幅波動。1 1 Copyright Wang Peng， 2

22、01040/76 5.7 隨 機 波 動 模 型v隨機波動（Stochastic volatility）模型又稱隨機方差（Stochastic variance）模型，簡稱SV模型 。v廣義的SV模型可以分為兩種：連續(xù)時間SV模型和離散時間SV模型。v目前，在文獻中常用的是Taylor提出的離散時間SV模型。 Copyright Wang Peng， 201041/76 5.7 隨 機 波 動 模 型v與ARCH模型不同的是，該模型假定條件波動率是不可觀測的（Unobservable），且其服從以下形式的隨機過程：v其中，不可觀測的對數波動率（log-volatility）ht滿足：v且有 2

23、 *2expt th 1 1t t th h 0,1t NID 2 21 0, 1h NID Copyright Wang Peng， 201042/76 5.7 隨 機 波 動 模 型v在SV模型中，由于條件波動率是一個不可觀測的變量，很難計算出其精確的似然函數，故對SV 模型的估計存在著較大困難。 v一直以來，盡管眾多學者不斷在嘗試提出各種不同類型的估計方法，但SV模型始終沒有像ARCH族模型一樣，成為被金融理論界與實務界所普遍使用的波動率測度方法。 Copyright Wang Peng， 201043/76 5.8 實 現 波 動 率 模 型v實現波動率（Realized volati

24、lity，RV）是基于日內收益數據平方和的一種波動率測度，這一概念由Andersen and Bollerslev（1998）首次提出。v他們認為，使用高頻的交易日內收益數據可以獲得對日波動率更精確的描述。 Torben G. Andersen Copyright Wang Peng， 201044/76 5.8 實 現 波 動 率 模 型vAndersen and Bollerslev（1998）同時也指出，傳統(tǒng)上運用日收益率的平方作為日波動率的測度將會面臨非常嚴重的測量誤差和噪聲問題，而使用交易日內的高頻收益數據將大大降低這些誤差和噪聲對潛在波動率過程的影響，并且隨著高頻收益率頻率的增加，

25、這種測量的誤差將會越來越小。v但是，由于市場微觀結構效應的影響，在實際運用當中，也并非高頻收益率的頻率越高越好。 Copyright Wang Peng， 201045/76 5.8 實 現 波 動 率 模 型 Copyright Wang Peng， 201046/76 5.8 實 現 波 動 率 模 型vTorben G. Andersen是實現波動率測度研究的集大成者，他與Bollerslev等學者對這一波動率測度方法的一系列理論及實證分析發(fā)表于Econometrica等頂級金融計量雜志上。v這一系列的研究發(fā)現，對數實現波動率序列往往具有長記憶、同方差、非條件正態(tài)等典型特征，而這些特征可

26、以通過不帶自回歸項的ARFIMA(p,d,0) 模型來刻畫，因此，文獻中涉及RV建模時，一般采用ARFIMA(p,d,0)模型。 Copyright Wang Peng， 201047/76 5.8 實 現 波 動 率 模 型v盡管RV測度及其模型具備非常良好的理論性質及較強的對真實波動率的刻畫能力，但這一方法也不是無懈可擊的。vAndersen et al.（2006）曾對RV估計及建模中所面臨的一些難題進行了總結，其中最為突出就是對估計RV時所采用的高頻數據抽樣頻率無法取得一致標準。 Copyright Wang Peng， 201048/76 5.8 實 現 波 動 率 模 型vEngl

27、e and Gallo（2006）也指出，由于無法避免市場微觀結構噪音的影響，基于高頻數據的RV測度并不像其理論描述的那樣完美。v另外，運用ARFIMA(p,d,0)為RV序列建模也會導致實現波動率過程中的跳躍（Jumps）和擴散（Diffusive）成分被割裂，因此更為合理的RV動力學模型也有待于進一步發(fā)掘。 Copyright Wang Peng， 201049/76 5.9 隱 含 波 動 率 模 型v隱含波動率IV是從期權價格中反推出的波動率vBlack-Scholes期權定價公式：v其中： exp tc S k rT X k T 2ln 2tS T rXk T Copyright W

28、ang Peng， 201050/76 5.9 隱 含 波 動 率 模 型vIV模型的基本思想：利用在現實市場中觀察到的期權價格數據和已有的期權定價公式，反推出與現實期權價格一致的標的資產波動率。v求解方法1： , , , ; BS tc c S r X T 21min , , , ;n mktBS i BS t i iiMSE c c S r X T Copyright Wang Peng， 201051/76 5.9 隱 含 波 動 率 模 型v求解方法2：迭代法v基礎：期權價格與波動率之間的單調變化關系v步驟：v（1）取一個初始的波動率值，計算一個理論價格cBS;v（2）將cBS與期權市

29、場價格cmkt比較，若cBS cmkt ，增加，反之減?。籿（3）每次迭代都使得所在的區(qū)間減半，不斷重復第一步和第二步，直至選取的值使得 c BS cmkt 。v基于多分形波動率測度的權證定價方法研究 Copyright Wang Peng， 201052/76 5.9 隱 含 波 動 率 模 型vVIX指數v隱含波動率反映了投資者對于未來市場波動率的預期v芝加哥期權交易所發(fā)表隱含期權指數v最流行的是VIX指數，它是對S&P500指數隱含波動率的一種測度 Copyright Wang Peng， 201053/76 5.9 隱 含 波 動 率 模 型 圖6-2 VIX指數 Copyright

30、Wang Peng， 201054/76 5.9 隱 含 波 動 率 模 型vIV模型與歷史方差模型、指數加權移動平均模型、ARCH類模型的最大不同在于：IV模型來源于期權價格數據。v由于期權價格在很大程度上反映了市場參與者對標的資產未來價格的一種心理預期，因此基于IV模型其實是“向前看”（Forward-looking ）的；v由于其余三種模型都是基于歷史數據，因此可以被認為是“向后看”（Back-looking）的波動率測度方法。 Copyright Wang Peng， 201055/76 5.9 隱 含 波 動 率 模 型v或許正是由于具備“向前看”的特殊性質，IV模型在有關波動率預測

31、的實證研究領域有著較為優(yōu)異的表現。 vIV模型的波動率測度精度嚴重依賴于所使用的期權定價公式的正確性，而現有的很多期權定價公式本身都具有這樣或那樣的局限。 Copyright Wang Peng， 201056/76 5.9 隱 含 波 動 率 模 型v另外，IV方法也只能運用于具有相應期權產品的資產波動率度量。v對于大部分金融資產，由于沒有相應的期權產品交易，故不能使用IV方法測度其波動率（這一點在我國金融市場中的表現尤為明顯）。v因此，盡管這一方法具有非常良好的理論出發(fā)點和實證表現，但并沒有像GARCH族模型一樣得到廣泛應用。 Copyright Wang Peng， 201057/76

32、5.10 極 大 似 然 估 計v隨機抽取某天中10只股票的價格，發(fā)現其中一只價格在這一天中下降了，而其它9只股票價格有所升高或至少沒有下跌。v問：一只股票價格下降的概率的最好估計是多少？v自然是0.1 !v0.1是否是極大似然估計（Maximum Likelihood Estimation）所給出的結果呢？ Copyright Wang Peng， 201058/76 5.10 極 大 似 然 估 計v將股票價格下降的概率記為p，則10只股票中只有一只股票價格下跌，而其它股票價格不跌的概率為p(1-p)9v應用極大似然估計，最好的估計值就是使得p(1-p)9取得最大值的那個數。v將p(1-p

33、) 9對p求導，并令導數為零，得出該數字為0.1 Copyright Wang Peng， 201059/76 5.10 極 大 似 然 估 計v極大似然估計的基本思想:v在一次抽樣中，若得觀測值 ，則選取 作為的估計值。使得當： 時，樣本出現的概率最大。1 2, , Tx x x, 1 2 , , Tx x x , 1 2 , , Tx x x , Copyright Wang Peng， 201060/76 5.10 極 大 似 然 估 計v估計常數方差v假定某隨機變量X服從正態(tài)分布，并且期望值為0，目前已取得該變量的T個觀察值，要求：運用MLE估計X的方差v假定觀察值為 ，并記方差為v，

34、則觀察值Xut的概率等于X的概率密度函數在ut處的取值，即： 1 2, , , Tu u u 21 exp 22 tuvv Copyright Wang Peng， 201061/76 5.10 極 大 似 然 估 計vT個觀察值恰好為 的概率為：v應用MLE，使得式(6-7)達到最大值的v即為最優(yōu)估計值。21 1 exp 22T tt uvv (6-7)1 2, , , Tu u u Copyright Wang Peng， 201062/76 5.10 極 大 似 然 估 計v具體求解：對式(6-7)求對數，并忽略常數項，得：v或：v將以上表達式對v求一階導數，并令其等于0，可得v的MLE

35、估計值： 21 lnT tt uv v 21ln T tt uT v v 2 11 T tt uT Copyright Wang Peng， 201063/76 5.10 極 大 似 然 估 計v估計GARCH(1,1)或EWMA中的參數v令 為第t天方差的估計，我們需要得出最佳參數使得以下表達式最大化：2t tv 21 1 exp 22T tt tt uvv Copyright Wang Peng， 201064/76 5.10 極 大 似 然 估 計v對上式求對數，可以得出求解最大化的等價公式：v求解方法：迭代法 21 lnT ttt tuv v Copyright Wang Peng，

36、201065/76 5.10 極 大 似 然 估 計 注：表中所標i應為t。 表6-3 估計GARCH(1,1)模型中的參數0.00000176 0.0626 0.8991 ， ，解得： Copyright Wang Peng， 201066/76 5.10 極 大 似 然 估 計v長期平均方差VL為：v長期波動率為 ，即每天0.6650.00000176 0.000044221 1 0.0626 0.8991 0.00004422 Copyright Wang Peng， 201067/76 5.10 極 大 似 然 估 計 圖6-5 日元/美元匯率19881997年的日波動率 Copyri

37、ght Wang Peng， 201068/76 5.10 極 大 似 然 估 計v另一種估計方法：方差目標法（Variance targeting）v將長期平均方差VL設定為由數據計算出的抽樣方差，則只需估計剩余的另個參數vEWMA模型的估計v由于 ，因此只需估計一個參數0 1 ， ， Copyright Wang Peng， 201069/76 5.10 極 大 似 然 估 計v模型表現如何v檢驗原理：GARCH模型假定波動率的變化與時間有關，在某一段時間波動率較高，而在其它階段波動率較低v首先計算 的自相關系數v假定 確實具有自相關性，如果GARCH模型有效，自相關性就會被剔除，即 不再

38、具有自相關性，從而可以認為：有關的 模型確實解釋了 中的自相關性。 2tu2tu 2 2t tu 2tut Copyright Wang Peng， 201070/76 5.10 極 大 似 然 估 計表6-4 采用GARCH(1,1)模型前后的自相關系數 Copyright Wang Peng， 201071/76 5.10 極 大 似 然 估 計v更為科學的檢驗：Ljung-Box方法（Ljung and Box，1978）v某序列中有n個觀察值，Ljung-Box Q統(tǒng)計量定義為：v其中， 是時滯為k的自相關系數，K為所考慮的最大時滯.vQ統(tǒng)計量服從自由度為K的卡方分布，即 2(m)21

39、( 2) K kkQ n n n k k Copyright Wang Peng， 201072/76 5.10 極 大 似 然 估 計v對于K15，當Ljung-Box統(tǒng)計量值大于25時，我們可以有95的把握拒絕自相關系數為0這一假設。v表9-4中， 序列的Ljung-Box的統(tǒng)計量值為123，說明自相關性確實顯著存在。v對于 序列，Ljung-Box統(tǒng)計量值為8.62，這說明GARCH模型確實剔除了數據中的自相關性。v如何選取K？2tu 2 2t tu Copyright Wang Peng， 201073/76 5.11 采 用 GARCH(1,1)模 型 預 測 波 動 率v由GARC

40、H(1,1)模型： 2 2 21 12 2 21 1 2 2 21 12 2 12 22 21n L n nn L n L n Ln t L n t L n t Ln t L n t Ltn t L n Ltn t L n LV uV u V VV u V VE V E VE V VE V V (6-8) Copyright Wang Peng， 201074/76 5.11 采 用 GARCH(1,1)模 型 預 測 波 動 率v式(6-8)表明，我們可以運用第n-1天結束時的所有信息來預測第n+t天的波動率。vEWMA中 ，所以將來方差的期望值與當前方差 相等。v當 時，式(9-6)中的最

41、后一項隨時間增加而逐漸減?。悍讲畹木祷貧w性質，回歸水平為V L，回歸速度為1 2n1 1 Copyright Wang Peng， 201075/76 5.11 采 用 GARCH(1,1)模 型 預 測 波 動 率 圖6-6 方差的預期路徑：(a)當前方差高于長期方差；(b)當前方差低于長期方差 Copyright Wang Peng， 201076/76 5.11 采 用 GARCH(1,1)模 型 預 測 波 動 率v當 時，對應于長期平均方差的權重為負，這時方差不再具有均值回歸性質，而呈現均值逃離（Mean fleeting）性態(tài)。v表(6-3)中， ，假定當前方差為0.00006（日波動率0.77），則10天后方差期望值為：v仍高于長期波動率（0.665），但100天后的預期方差為0.00004451，即預期波動率0.677，和長期波動率已非常接近。1 0.9617 0.00004422 LV ， 100.00004422 0.9617 0.00006 0.00004422 0.00005476 王 鵬 博士西南財經大學金融學院