楼主: 可人4
1280 22

[量化金融] 资产收益率与GARCH强度模型中的条件相关性 [推广有奖]

11楼
大多数88 在职认证  发表于 2022-5-5 05:22:12
基于这一观点,我们建立了基于强度的资产价格模型来描述时变波动率以及收益率和波动率之间的不对称关系。其核心思想是,资产价格动态由两个纯跳跃过程组成,每个跳跃过程分别描述正冲击和负冲击。jum p的规模很小,足以反映价格的微小变动,而价格变动通常由一个不同的术语来描述。(因此,我们的模型中没有一个差异项。)在类似的框架下,随机跳转大小是可能的,但为了简单和节省,我们在本文中只处理恒定的跳转大小。对于固定的跳跃规模,我们可以考虑资产价格变动的滴答结构或连续价格路径的离散化。跳跃到达的强度是单独建模的,因此我们为我们的模型提供了更大的灵活性,不仅考虑了多样性聚类和杠杆效应,还考虑了条件不对称。此外,与GARCH中的条件方差模型相比,由于强度模型本身包含收益率均值的移动,因此也没有额外的漂移模型。更正式地说,我们得到了一个概率空间(Ohm, F=F(T),P),过滤系数F(T),0≤ T≤ T,其中σ-代数F(T)是投资者在T时可获得的信息集。本文中介绍的每个随机过程和随机变量都是在T上定义的(Ohm, F、 P)。我们假设好消息和坏消息相互依赖地(至少在短时间内)到达股市,并立即引起资产价格的变化。截至时间t的好消息和坏消息的频率由泊松过程N+(t)和N建模-(t) 具有随机强度λ+(t)和λ-(t) 分别为。

12楼
mingdashike22 在职认证  发表于 2022-5-5 05:22:15
此外,强度过程被假定为阶跃过程,即λ+(t)和λ-(t) 在时间间隔ti内是恒定的-1.≤ t<t在哪里对于某些整数N和ti=i,t=t/Nt、 0≤ 我≤ N.最后,我们假设由新闻引起的股价变化的大小是常数δ。这些假设总结在假设3.1中。现在我们假设强度模型的公理。假设3.1。给出了F(t)适应的r.c.l.l.过程N+(t),N-(t) 正F(t)适应的r.c.l.l.过程λ+(t),λ-(t) 为了0≤ T≤ T满足下列条件:(i)(离散观测时间)t=t/N和ti=it、 0≤ 我≤ N(ii)(有条件分配)(N±(t)- N±(ti)-1) )| F(ti-1) 具有强度为λ±(ti)的泊松分布-1) (t)-钛-1) ,ti-1.≤ T≤ ti。亨塞普(N±(ti)- N±(ti)-1) =k | F(ti)-1) )=(λ±(ti)-1)t) kk!经验(-λ±(ti)-1)t) 。(iii)(条件独立)N+(t)- N+(ti)-1) 和N-(t)- N-(ti)-1) 在给定F(ti)的条件下是独立的-1) ,ti-1.≤ T≤ ti。(iv)(分步过程)λ+(t)=λ+(ti)-1) λ-(t) =λ-(ti)-1) ,ti-1.≤ t<ti。(v) (可预测性)λ+(ti)取决于N±(ti-k+1)和λ±(ti-k) ,1≤ K≤ 我- 1,和λ类似-(ti)。(vi)(资产价格)存在一个δ>0的常数,例如,t=S(0)exp(δ(N+(t)- N-(t) ))。持续跳跃规模的假设似乎是有争议的,因为它似乎假设影响资产价格的新闻的影响大小是相同的。然而,我们需要从不同的角度来理解δ的选择是一个相当独立的问题。在我们的框架中,强度被认为是经济消息到达的预期时间,其改变了δ大小的潜在回报。例如,如果δ=0.002,则强度意味着经济冲击的预期发生时间,该时间累计改变0.2%的收益率。

13楼
大多数88 在职认证  发表于 2022-5-5 05:22:18
如果δ=0.005,则强度为经济冲击发生时的强度,其变化为回报的0.5%,在这种情况下,强度过程的值小于前一种情况下的强度。结果表明,当我们计算推断的条件方差时,方差与δ的各种选择一致,见第4.3节。从这个角度来看,δ是一个要计数的测量值大小,而不是一个预定的跳转大小。一个有趣的例子是股权的勾号结构(图5),其中交易基于预先确定的价格变化大小,因此每个价格变化都是恒定的。由于OUR模型基于计数过程,因此可以通过直接计算股票价格的每次变化来估计强度过程(及相关参数)。然而,问题可能会出现。由于市场结构噪声的存在(Hansena和Lundeb,2006),人们无法区分“有意义的”价格变化和简单的市场噪声。交易通常以毫秒为单位,因此,首先,很难统计每一次价格变动的次数,其次,也很难从有效的价格变动中充分区分市场微观结构。此外,尽管个别股票的逐点数据可用,但很难观察指数的逐点结构,通常定义为100多个股票价格的加权平均数。因此,我们不是计算每一次资产价格变动,而是使用每日收益分布,基于最大似然估计来估计潜在强度过程,这将在后面解释。图5:2009.6.15.09:00:00 10:00:00 11:00:00 12:00:00 13:00:00 14:00 14:50:00572000580000588000定义3.2(日志返回分解)时三星电子的勾号结构。

14楼
能者818 在职认证  发表于 2022-5-5 05:22:21
用u(ti)={(eδ)定义u(ti)、γ(ti)、ε(ti)- 1) λ+(ti)-1) +(e)-δ- 1)λ-(ti)-1)}tγ(ti)={(eδ- 1.- δ) λ+(ti)-1) +(e)-δ- 1 + δ)λ-(ti)-1)}tε(ti)=X(ti)- E[X(ti)| F(ti)-1)].注意,u(ti)和γ(ti)是F(ti)-1) -可测量,ε(ti)是F(ti)-可测量。引理3.3。在假设3.1下,我们有e[X(ti)| F(ti)-1) ]=δ(λ+(ti)-1) - λ-(ti)-1))tVar(X(ti)|F(ti)-1) )=δ(λ+(ti)-1) + λ-(ti)-1))tE[exp(X(ti))|F(ti)-1) )=exp(u(ti))。引理3.3意味着x(ti)=u(ti)- γ(ti)+ε(ti),其中u(ti)被视为漂移项,γ(ti)是一个It^o校正因子,ε(ti)是时间间隔[ti]内的突变、创新或残余-1.ti]。我们将我们的模型与基于几何布朗运动dS(t)=αS(t)dt+σS(t)dW(t)的Black-Scholes-Merton(Black and Scholes,1973)框架进行了比较,其中α是漂移系数,σ是波动率。LetY(ti)=原木(ti)S(ti)-1)= (α -σ)t+σW.在表2中,比较了每个模型中的各种概念。在表3中,条件期望e[X(ti)|F(ti)-1) [exp(X(ti))|F(ti-1) ]和条件方差Var[X(ti)|F(ti)-1) 比较X(ti)和相应的值f或Y(ti)。表4比较了ε(ti)和σ的条件期望和方差W注意,如果价格在t处出现跳跃,那么S(t)=eδS(t-) 或S(t)=e-δS(t)-) 取决于变化的方向。

15楼
nandehutu2022 在职认证  发表于 2022-5-5 05:22:25
资产价格满足给定的随机微分方程比亚兹(t)=(eδ- 1) S(t)-)dn+(t)+(e)-δ-1) S(t)-)dN-(t) 。表2:强度模型和Black-Scholes-Merton模型的比较强度BSMDrift系数u(ti)αtIto校正γ(ti)σ迁移率ε(ti)σ黄蜂-水稻性别(δ(N+)(t)- N-(t) Sexp((α)-σ) 表3:强度模型和Black-Scholes-Merton模型X(ti)Y(ti)E[·F(ti)的比较-1) ]u(ti)- γ(ti)(α)-σ)tVar[·F(ti)-1) ]δ(λ+(ti)-1) + λ-(ti)-1))tσtE[exp(·)|F(ti)-1) ]exp(u(ti))exp(αt) 表4:强度模型和Black-Scholes-Merton模型ε(ti)σ的比较我们·| F(ti)-1) ]0 0Var[·F(ti)-1) ]δ(λ+(ti)-1) + λ-(ti)-1))tσtE[exp(·)|F(ti)-1) ]exp(γ(ti))exp(σt) LetX(ti)=对数(ti)S(ti)-1) 是该期间的日志返回[ti]-1.ti]。然后由mi=X(ti)δ=N+(ti)定义的随机变量- N-(ti)- (N+(ti)-1) - N-(ti)-1) )具有整数值m,且其条件分布给定信息F(ti)-1) 被称为带有概率密度函数(p.d.f.)f(m |λ+(ti)的Kellam分布-1), λ-(ti)-1) )=exp{-λ+(ti)-1) - λ-(ti)-1)}λ+(ti)-1)λ-(ti)-1)m/2I | m |(2pλ+(ti-1)λ-(ti)-1) 式中,Ia是由Ia(x)定义的第一类d的修正贝塞尔函数=∞Xk=0k!Γ(k+a+1)十、2k+a.更多信息参见Haight(1967)。由于条件概率密度的封闭形式存在,我们可以采用最大似然估计(MLE)。让X,xn用其联合概率密度函数fθ(x,…,xn)f或参数集θ记录t<···<tn时资产的对数收益。(我们将在下一节中解释参数集θ。)对于给定的数据,x,xn,我们发现θ使θ(x,…,xn)的可能性最大。联合密度函数用fθ(x。

16楼
能者818 在职认证  发表于 2022-5-5 05:22:28
,xn |λ±(t))=fθ(x |λ±(t))fθ(x |λ±(t))·fθ(xn |λ±(tn)-1) 式中fθ(xi |λ±(ti)-1) )=exp{-λ+(ti)-1) -λ-(ti)-1)}λ+(ti)-1)λ-(ti)-1)xi/2δI | xi/δ|(2pλ+(ti-1)λ-(ti)-1) 3.2 GARCH型强度为了捕捉波动率聚类,我们引入了GARCH型随机泊松强度,其中创新点是两个补偿泊松分布的总和,条件强度描述了异方差。自从Engle(1982)提出ARCH模型以来,已经提出了各种条件异方差模型,包括Bollerslev(1986)提出的GARCH模型。例如,如果我们采用强度的基本GARCH(1,1)模型,即λ±(ti)=ω±+β±±±(ti-1) +α±ε(ti)-1) ,我们有一个强度λ±(ti)=ω±1的有限求和公式- β±+ α±∞Xn=0βn±ε(ti-n) 。如果我们设置β+=β-=: 在我们的模型中,我们得到了Bollerslev(1986)的基本GARC-H模型。因为,如果我们让h(ti)是ti处收益率的标准化提前一步条件方差,那么h(ti)=Var(X(ti)| F(ti)-1))/t=δ(λ+(ti-1) + λ-(ti)-1) ,和h(ti)=δ(ω++ω)-) + βh(ti)-1) + δ(α++ α-)ε(ti)-1) (2)这与GARCH中的条件方差模型一致,表明强度模型是现有GARCH模型的扩展。同样,一步条件收益方差用m(ti)表示≡ E[X(ti)| F(ti)-1)]/t=δ(ω)+- ω-) + βm(ti)-1) + δ(α+- α-)ε(ti)-1). (3) 此外,h(ti)=δ(ω++ω)-)1.- β+ δ(α++ α-)∞Xn=0βnε(ti-n) andE[h(ti)]=δ(ω++ω-)1.- β+ δ(α++ α-)∞Xn=0βnE[ε(ti)-n) ]。因为ε(ti)=E[h(ti)]t、 通过假设弱平稳性,我们得到了e[h(ti)]=δ(ω+)-)1.- β+ δ(α++ α-)∞Xn=0βnE[h(ti)]tandE[h(ti)]=δ(ω++ω-)1.-β - δ(α++ α-)t、 (4)上述无条件方差公式类似于原始GARCHof Bollerslev(1986)的公式。

17楼
可人4 在职认证  发表于 2022-5-5 05:22:31
如果我们通过ω定义标准化参数*±= ω±δ, α*±=α±δ,(5)则无条件方差isE[h(ti)]=ω*++ ω*-1.- β - (α*++ α*-)t、 在下一节中,我们将展示归一化参数的估计在不同的跳跃大小δ上是相似的。Bollerslev(1986)表明,在u-sual GARCH(1,1)模型中,当α+β<1时,过程是弱平稳的。同样,在强度模型中,当公式(1)满足时,如果α*++α*-+β<1,表5:GARCH强度模型λ±(ti)基本GARCHω±+β±±(ti)-1) +α±ε(ti)不对称GARCHω±β±λ±ti-1) +α±(ε(ti)- γ±)非线性不对称ω±+β±λ±(ti)-1) +α±(ε(ti)- γ±ph(ti))GJRω±+β±λ±(ti)-1) +(α±γ±I(ti))ε(ti)新闻类型ω±β±λ±ti-1) +α±(ε(ti)+γ±|ε(ti)|)QGARCHω±+β±λ±(ti)-1) +α±ε(ti)+γ±ε(ti)赫斯顿和南迪ω±β±λ±ti-1) +α±(z(ti)- γ±ph(ti))VGARCHω±β±λ±ti-1) +α±(z(ti)- γ±)那么这个过程是弱平稳的,我们设置为了简单起见,t=1。弱平稳性的证明与通常的GARCH中的典型证明几乎相同,只是η(ti):=ε(ti)/ph(ti)不是同分布的bu t E[η(ti)]=1。更准确地说,我们有h(ti)=(ω)*++ ω*-)∞Xk=0M(ti,k),其中M(ti,0)=1,M(ti,1)=(α*++ α*-)η(ti)-1) +β和m(ti,k+1)=(α*++ α*-)η(ti)-1) M(ti)-1,k)+βM(ti)-1,k)。注意E[η(ti)]=Eε(ti)h(ti)= Eh(ti)E[ε(ti)| F(ti)-1)]= 1.此外,M(ti,k)还涉及形式yi(α)的所有项*++ α*-)aiYjβbjYlη(ti)-sl),M(ti,k)的期望值与ti无关。通过M的递推公式,我们得到了[M(ti,k)]=(α)*++ α*-+ β) kande[h(ti)]=E[ε(ti)]d不依赖于ti。对于表5中的各种强度模型,经济事件发生的当前强度是过去创新和过去强度的函数。

18楼
nandehutu2022 在职认证  发表于 2022-5-5 05:22:34
表格中的模型对应于各种GARCH模型,如th e GARCH(Bollerslev,1986)、不对称GARCH(Engle和Ng,1993)、非线性不对称GARCH(Engle和Ng,1993)、GJR(Glosten等人,1993)、新闻类型(Christo offersen和Jacobs,2004)、QGARCH(Sentana,1995)、VGARCH(Engle和Ng,1993)以及Heston和Nandi(2000)。在Hestonand i和VGARCH的模型中,我们设置z(ti)=ε(ti)ph(ti),在GJR defi neI(ti)=(1,ε(ti)<00,ε(ti)≥ 0.如果γ±=0,则GJR简化为基本GARCH模型。由于我们模型中的条件概率分布函数形式复杂,从理论上推导条件相关性是不可行的。因此,我们给出了一个模拟的例子,来说明在今天返回符号的条件下,强度模型如何表现出与条件相关的行为。注意,例如,在基本GARCH模型中,ε(ti)前面的参数α±-1) 在与过去信息的条件相关性方面发挥重要作用ε(ti-1). 对于模拟研究,设λ+(ti)=0.0210+0.9369λ+(ti-1) +(86.99+1899I)-1) ε(ti)-1),λ-(ti)=0.0167+0.9425λ-(ti)-1) +(38.23+1702I)-1) ε(ti)-1) 我们模拟了100条路径,每天返回5000次。(参数值来自下一节将解释的最大似然估计结果。)我们还假定λ+(t)=λ-(t) =5,δ=0.005。ε(ti)前面α±、γ±的差异-1) 导致不同的条件相关性,如表6所示。Asα+>α-γ+>γ-, 我们有Corr(Xt,| Xt-l|)|Xt>0)>Corr(-Xt,|Xt-l|)|Xt<0)。同样地,我们观察Corr(Xt,Xt-l|Xt>0,Xt-l> 0)>Corr(-Xt,Xt-l|Xt<0,Xt-l> 0).

19楼
何人来此 在职认证  发表于 2022-5-5 05:22:37
在表中,括号中的数字表示相应的标准误差。粗略地说,正回报意味着N的实现-(t) 很小,接近于零,所以≈ δN+(t),其中N+(t)的强度是过去平方冲击的线性函数,参数α+,大于α-. 因此,当今天的回报率为正时,回报率与过去冲击平方的相关性比今天的回报率为负时更强。表6:条件相关性的模拟结果l 1 2 3 5 10 20Corr(Xt,| Xt-l| |Xt>0)0.1900.1800.1750.1690.1510.133(0.061)(0.055)(0.058)(0.059)(0.050)(0.054)Corr(-Xt,|Xt-l| |Xt<0)0.1530.1490.1480.1430.1370.1221(0.049)(0.050)(0.050)(0.050)(0.047)(0.047)Corr(Xt,Xt)-l|Xt>0,Xt-l> 0.171 0.156 0.152 0.151 0.139 0.118(0.075)(0.060)(0.072)(0.071)(0.056)(0.068)Corr(Xt),-Xt-l|Xt>0,Xt-l< 0.210 0.204 0.198 0.190 0.166 0.149(0.063)(0.064)(0.062)(0.062)(0.058)(0.057)Corr(-Xt,-Xt-l|Xt<0,Xt-l< 0.189 0.181 0.179 0.178 0.166 0.150(0.061)(0.060)(0.066)(0.064)(0.056)(0.059)Corr(-Xt,Xt-l|Xt<0,Xt-l> 0.1200.1200.1200.1110.1100.100(0.050)(0.052)(0.047)(0.047)(0.047)(0.048)表7:1990年至2009年标准普尔500日均对数回归序列的统计平均标准偏差。056 0.184-0.209 12.4244实证研究4。1基本GARCH型强度模型的估计在本节中,采用最大似然od法,以1990年1月至2009年12月的标准普尔500日对数收益率序列估计GARCH强度模型中的参数。数据的基本统计数据如表7所示,其中的平均值和标准偏差按年计算。

20楼
nandehutu2022 在职认证  发表于 2022-5-5 05:22:41
对于估计,我们假设强度模型具有强平稳性。首先,我们考虑基本的GARCH型强度,其约束条件是β=β+=β-,我们有一个参数集θ={ω±,β,α±}。β约束的原因是,在约束条件下,我们能够使用等式(4)计算由GARCH强度模型生成的日收益率分布的无条件标准差的理论值。表8给出了各种跳跃大小δ的最大似然法估计值。用bootstrap方法计算的估计值的标准误差在相应的p论文中报告。我们观察到,随着跳跃的增加,负对数似然ods单调减少。这意味着我们不能应用极大似然估计来确定δ的大小,因为如果我们最大化似然度,那么δ就会发散。这是因为骨架分布的性质。骨架分布的p.d.f.是一个典型的钟形函数,在中心附近具有最大值。δ的假定值越大,实现的总跳跃数越接近零。为简单起见,考虑λ+=λ的Skellam分布-. 假设观测到的一天回报率为0.01。对于第一种情况,假设δ为0.01,则一天内的累计跳跃数为正。对于第二种情况,如果δ假定为0.005,则一天内的累计跳跃次数为正2。由于钟形Skellam p.d.f.的值随着跳跃数早于零而更大,我们假设跳跃大小更大的第一种情况的可能性更大。这就是为什么跳跃大小δ增加的可能性更大。无论选择δ的哪个值,我们都能观察到估计值的一致性。ω+>ω-总体上显示了资产价格的上升趋势。

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
扫码
拉您进交流群
GMT+8, 2026-11-22 19:08