金融计量学教学课件第六章GARCH模型分析与应用.ppt

GRACH类模型的扩展2、Nelson的EGARCH模型指数GARCH（ExpoentialGARCH），其条件方差为：这里，若，则说明存在杠杆效应。只要，冲击的影响就是非对称的。更高阶的EGARCH表达为：GRACH类模型的扩展EGARCH(1,1)和GARCH(1,1)的信息冲击曲线对比图GRACH类模型的扩展二、单整GARCH（IGARCH）模型在GARCH(p,q)模型进行金融时间序列估计时，GARCH模型中的参数和要服从一定的条件。可以证明：若干扰项服从GARCH(p,q)过程，则其方差为：干扰项的方差，无穷大的方差说明序列是不稳定的。因此，通常将成立时的GARCH（p,q）模型称为单整GARCH（integratedGARCH，IGARCH）模型。GRACH类模型的扩展[实证案例6-3]国际股票市场与内地市场之间波动的杠杆效应与溢出效应检验随着全球经济一体化和金融市场国际化，国际股票市场内地沪深市场之间存在某些重要关联。那么，国际市场（纽约、日本、香港）和内地市场（上海市场、深圳市场）之间是否存在一定的杠杆效应和溢出效应呢？在此，我们将对这个问题进行研究。在此，所采用的数据为2012年1月2日至2014年12月31日上海证券交易所、香港联交所、纽约证券交易所每日收盘指数数据，包括上证指数、恒生指数和标准普尔500指数，并分别定义为SS、HS、SP，其各自的收益率定义为对数形式。。GRACH类模型的扩展（1）杠杆效应杠杆效应体现了波动性传导的单向性，或者一定程度的风险态度差异，杠杆效应可以通过GARCH模型中引入一定的非对称项来实现，从而产生了非对称冲击模型，在此采用EGARCH模型来解释各股票市场的非对称性。下图是香港、美国和上海市场的信息冲击曲线，可以发现在我们选取的时段里存在明显的信息不对称性。图6-13：香港、美国和上海市场的信息击曲线GRACH类模型的扩展（2）溢出效应由于国际股票市场均存在信息冲击的非对称性，所以我们利用修正EGARCH模型来检验溢出效应，模型为：式中，表示的是残差平方。下表是利用EGARCH模型得出来的计量结果经整理后的结论，系数C(7)反映了各市场之间信息溢出效应的强弱。GRACH类模型的扩展?由上海到香港由上海到美国样本个数680.000680.000似然值943.4869823.4609?系数值p值系数值p值c(3)-0.695340.0079-0.277610.1308c(4)-0.107540.0003-0.010660.0094c(5)-0.201110.0000-0.266950.0000c(6)0.8787270.00000.9174290.0000c(7)0.5707820.06390.1706270.2205R-square0.9800820.997361?由香港到上海由美国到上海样本个数680.000680.000似然值1047.9111050.353?系数值p值系数值p值c(3)-0.12210.0000-0.150810.0741c(4)0.1203410.00000.1237990.0000c(5)0.0343620.05020.0140940.1994c(6)0.9619360.00000.9701160.0000c(7)0.0425620.01560.1196160.0385R-square0.9799980.980005第四节随机波动模型及其应用为了描述条件方差的时变性，GARCH模型中的条件方差被表示为和的函数，然而实际上，t时刻的方差在t-1时刻是未知的，它更可能是一个受信息流影响的随机过程。随机波动模型（StochasticVolatility，简称SV）就是将条件方差设定为一个随机过程，以此来描述金融时间序列的波动聚集、尖峰厚尾和杠杆效应等性质。第四节随机波动模型及其应用（一）SV模型的设定其中