ImageVerifierCode 换一换
格式:DOCX , 页数:17 ,大小:268.07KB ,
资源ID:3125344      下载积分:20 文钱
快捷下载
登录下载
邮箱/手机:
温馨提示:
快捷下载时,用户名和密码都是您填写的邮箱或者手机号,方便查询和重复下载(系统自动生成)。 如填写123,账号就是123,密码也是123。
特别说明:
请自助下载,系统不会自动发送文件的哦; 如果您已付费,想二次下载,请登录后访问:我的下载记录
支付方式: 支付宝    微信支付   
验证码:   换一换

加入VIP,省得不是一点点
 

温馨提示:由于个人手机设置不同,如果发现不能下载,请复制以下地址【https://www.wenke99.com/d-3125344.html】到电脑端继续下载(重复下载不扣费)。

已注册用户请登录:
账号:
密码:
验证码:   换一换
  忘记密码?
三方登录: QQ登录   微博登录 

下载须知

1: 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。
2: 试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓。
3: 文件的所有权益归上传用户所有。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 本站仅提供交流平台,并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

版权提示 | 免责声明

本文(金融时间序列分析 第三次作业.docx)为本站会员(sk****8)主动上传,文客久久仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知文客久久(发送邮件至hr@wenke99.com或直接QQ联系客服),我们立即给予删除!

金融时间序列分析 第三次作业.docx

1、3.4模型为 AR(1)-GARCH(1,1),假定 t 服从自由度为 v 的标准化的 t 分布,导出数据的条件对数似然函数。数据为 r=r1, r2, rn模型为rt=u+ 1rt-1+atat= t t t2= 0+ 1at-12+ 1 t-12由于 t 服从自由度为 v 的标准化的 t 分布,所以有 t 的概率密度函数为f( t)= -(v+1)/2 (+12) (2)(2)(1+ t22)其中 (x)为 Gamma 函数( ) ()=0(1)由于 at= t t,a t 的条件似然函数为f(am+1,at)= -(v+1)/2=+1 (+12) (2)(2)1 t(1+ t2(2) t

2、2)所以对数条件似然函数为L=Tln( )-ln( )- ln(v-2)n- ln( t2)+(1+v)ln(1+ ) (+12) (2) 12 12=1 at2(2) t2带入实际的数据T=t, at=rt-u- 1rt-1,同时又有 t2= 0+ 1at-12+ 1 t-12,所以有了第一个 1 后就可以递推出其余的 t。3.5对 Intel 股票的对数收益率建立 GARCH 模型,并进行向前 1 到 5 步的波动率预测。数据的图形如下:同时 ACF 和 PACF 如下:可知模型的基本形式应该为 MA(1)。尝试对残差建立 ARMA(0,1)Garch(1,1)模型,结果为*-* GARC

3、H Model Fit *-*Conditional Variance Dynamics -GARCH Model : sGARCH(1,1)Mean Model : ARFIMA(1,0,0)Distribution : norm Optimal Parameters-Estimate Std. Error t value Pr(|t|)mu 0.025807 0.006441 4.00645 0.000062ar1 0.027009 0.054726 0.49353 0.621640omega 0.001235 0.000615 2.00819 0.044624alpha1 0.08918

4、6 0.033309 2.67753 0.007417beta1 0.836646 0.055546 15.06232 0.000000LogLikelihood : 238.1461检验残差的 ACF发现模型可以满足要求。所以最终拟合的 Garch 模型为(1-0.027009*B)yt=0.025807+ t t =ut*ht htN(0, n2)ut2=0.001235+0.089186*at-12+0.836646* t-12下面是向前 1 到 5 步的预测结果*-* GARCH Model Forecast *-*Model: sGARCHHorizon: 10Roll Steps:

5、 0Out of Sample: 00-roll forecast: sigma series373 0.1233 0.02426374 0.1236 0.02603375 0.1240 0.02607376 0.1243 0.02608377 0.1246 0.02608其中 372 就是 03 年 12 月的数据下图是预测结果趋势图3.6(a)利用对数收益率和 5%的显著性水平检验对数收益率中的相关性。观察对数收益率的 ACF 图形可以发现明显的一阶相关性。取 12 阶滞后的 Ljung&Box 检验的结果如下Box-Ljung testdata: mrk X-squared = 24.3

6、218, df = 12, p-value = 0.01838发现有显著的自相关性。尝试对序列建立 ARMA(1,0)模型arima(x = mrk, order = c(1, 0, 0)Coefficients:ar1 intercept-0.0911 0.0121s.e. 0.0380 0.0024sigma2 estimated as 0.004746: log likelihood = 868.06, aic = -1730.13残差 mrk$residuals=(1+0.0911*B)mrkt 没有序列相关。(b)利用 Ljung&Box 统计量,在 6 以及 12 个间隔下验证序列

7、的 ARCH 效应。令 arch=mrk$residuals2,进行 Ljung&Box 检验间隔为 6:Box-Ljung testdata: arch X-squared = 25.0263, df = 6, p-value = 0.0003376间隔为 12:Box-Ljung testdata: arch X-squared = 35.2562, df = 12, p-value = 0.0004263在 5%的显著性水平下无论是 6 还是 12 的间隔都是有显著的 ARCH 效应。(c)对数据识别一个 ARCH 模型,然后拟合*-* GARCH Model Fit *-*Condit

8、ional Variance Dynamics -GARCH Model : sGARCH(1,0)Mean Model : ARFIMA(1,0,0)Distribution : norm Optimal Parameters-Estimate Std. Error t value Pr(|t|)mu 0.012269 0.002411 5.0894 0.000000ar1 -0.080221 0.040635 -1.9742 0.048358omega 0.004433 0.000298 14.8977 0.000000alpha1 0.066349 0.043029 1.5420 0.1

9、23084模型形式为:(1+0.080221*B)mrkt=0.012269+ t t =ut*ht htN(0, n2)ut2=0.004433+0.066349*at-12下面是拟合的残差图以及置信区间,发现拟合是有效的。3.7(a)利用 Ljung&Box 统计量,在 6 以及 12 个间隔下验证对数收益率的 ARCH 效应。为了检验 3m 数据的 ARCH 效应,将 Ljung&Box 应用于 mmm2 序列6 个间隔:Box-Ljung testdata: mmm2 X-squared = 22.5644, df = 6, p-value = 0.000956312 个间隔Box-L

10、jung testdata: mmm2 X-squared = 29.9574, df = 12, p-value = 0.002834无论是 6 或者 12 个间隔,都是在 5%的水平下有显著的 ARCH 效应的。(b)用收益率平方的 PACF 识别一个 ARCH 模型并拟合。PACF 图形为序列平方项有 2 阶的偏自相关,所拟合的应该是一个 ARCH(2)模型。*-* GARCH Model Fit *-*Conditional Variance Dynamics -GARCH Model : sGARCH(2,0)Mean Model : ARFIMA(0,0,0)Distributio

11、n : norm Optimal Parameters-Estimate Std. Error t value Pr(|t|)mu 0.012084 0.002294 5.2671 0.000000omega 0.003195 0.000273 11.6992 0.000000alpha1 0.094952 0.048639 1.9522 0.050916alpha2 0.134261 0.056703 2.3678 0.017894模型为:yt=0.012084+ t t =ut*ht htN(0, n2)ut2=0.003195+0.094952*at-12+0.134261* at-22

12、(c)利用前 690 个数据重新拟合,并对 691 到 695 的数据进行预测*-* GARCH Model Fit *-*Conditional Variance Dynamics -GARCH Model : sGARCH(2,0)Mean Model : ARFIMA(0,0,0)Distribution : norm Optimal Parameters-Estimate Std. Error t value Pr(|t|)mu 0.011836 0.002297 5.1527 0.000000omega 0.003169 0.000274 11.5532 0.000000alpha1

13、 0.098426 0.049248 1.9986 0.045653alpha2 0.137802 0.057628 2.3912 0.016792yt=0.011836+ t t =ut*ht htN(0, n2)ut2=0.003169+0.098426*at-12+0.137802* at-22预测结果为*-* GARCH Model Forecast *-*Model: sGARCHHorizon: 10Roll Steps: 0Out of Sample: 00-roll forecast: sigma series691 0.06068 0.01184692 0.06510 0.0

14、1184693 0.06398 0.01184694 0.06447 0.01184695 0.06436 0.01184下面是预测图:(d)对 3M 股票的对数收益率建立 ARCH-M 模型,并在 5%的水平下检验风险溢价为 0 的假设。考虑到数据的 PACF 图形中有 2 阶的回归,建立 ARCH(2)-M 的模型:rt=u+c* t2+atat= t t t2= 0+ 1at-12+ 1 t-12拟合结果为:*-* GARCH Model Fit *-*Conditional Variance Dynamics -GARCH Model : sGARCH(2,0)Mean Model :

15、 ARFIMA(0,0,0)Distribution : norm Optimal Parameters-Estimate Std. Error t value Pr(|t|)mu 0.030460 0.021888 1.39164 0.164033archm -0.297533 0.352062 -0.84511 0.398046omega 0.003172 0.000273 11.60546 0.000000alpha1 0.093721 0.047570 1.97017 0.048819alpha2 0.141510 0.056890 2.48744 0.012867rt=0.03046

16、0-0.297533 t2+atat= t t t2=0.003172+0.093721at-12+0.141510 at-22下面是拟合结果的检验图:可知拟合是有效的。同时关注系数 archm 的 t 值,可以发现对应的 P 值大于 5%,所以系数是显著的,也就是说风险溢价为 0 的假设不成立。(e)利用前 690 个数据建立一个 EGARCH 模型,并进行向前 1 到 5 步的预测。由于数据的一阶自相关性,对数据建立 AR(1)EGARCH(1,1)的模型。*-* GARCH Model Fit *-*Conditional Variance Dynamics -GARCH Model :

17、 eGARCH(1,1)Mean Model : ARFIMA(1,0,0)Distribution : norm Optimal Parameters-Estimate Std. Error t value Pr(|t|)mu 0.010652 0.002204 4.83244 0.000001ar1 -0.064397 0.040323 -1.59705 0.110254omega -0.929434 0.454867 -2.04331 0.041022alpha1 -0.018260 0.031722 -0.57563 0.564866beta1 0.831434 0.082353 10

18、.09601 0.000000gamma1 0.198772 0.062164 3.19754 0.001386所以模型为:rt=0.010652-0.064397*rt-1+atat= t tln( t2)= 0+ *g( t-1)11+0.018260*Bg( t)= 0.831434* t +0.198772*| t |-E(| t |)预测结果为:*-* GARCH Model Forecast *-*Model: eGARCHHorizon: 10Roll Steps: 0Out of Sample: 00-roll forecast: sigma series691 0.05690 0.005967692 0.05796 0.010954693 0.05886 0.010633694 0.05961 0.010653695 0.06025 0.010652走势图为:3.8(a)建立一个带高斯新息的 GARCH 模型并检验首先检查数据 GM 的 ACF 和 PACF 图形

Copyright © 2018-2021 Wenke99.com All rights reserved

工信部备案号浙ICP备20026746号-2  

公安局备案号:浙公网安备33038302330469号

本站为C2C交文档易平台,即用户上传的文档直接卖给下载用户,本站只是网络服务中间平台,所有原创文档下载所得归上传人所有,若您发现上传作品侵犯了您的权利,请立刻联系网站客服并提供证据,平台将在3个工作日内予以改正。