本文首先概述了GARCH模型及其參數(shù)估計技術(shù)的研究情況,接著介紹分位數(shù)回歸估計技術(shù)的研究進展,最后闡述了參數(shù)估計方法的改善過程和相關(guān)性質(zhì),并從中挖掘研究缺口和創(chuàng)新點,由此提出本文的估計技術(shù),并證明了該估計量在大樣本下的理論性質(zhì)。本文致力于GARCH模型中參數(shù)估計的研究,極大似然估計具有參數(shù)假設(shè)的局限性,因此衍生出了類極大似然和最小絕對偏差等估計,其中分位數(shù)回歸理論憑借自身優(yōu)越的性質(zhì),被廣泛應(yīng)用于計量經(jīng)濟模型的參數(shù)估計。本文所作的研究就是基于復(fù)合分位數(shù)回歸理論對GARCH模型提出更加穩(wěn)健有效的二次加權(quán)復(fù)合分位數(shù)回歸(BWCQR)估計技術(shù),并與幾類傳統(tǒng)的估計方法相比較,數(shù)值模擬比較顯示:當擾動項為厚尾分布,所提出的BWCQR估計明顯優(yōu)于傳統(tǒng)的類極大似然估計、分位數(shù)回歸估計和復(fù)合分位數(shù)回歸估計;與此同時,本文驗證了采用BWCQR下的Bootstrap技術(shù)輔助統(tǒng)計推斷是合理可行的。為了進一步驗證二次加權(quán)復(fù)合分位數(shù)回歸估計在實踐意義下的競爭力,本文還將提出的估計技術(shù)應(yīng)用于3支股指數(shù)據(jù)進行了實證分析。作為應(yīng)用,本文選取了2015年至2021年的股指數(shù)據(jù),采用向前一步進行預(yù)測,分別對上證綜指、恒生指...

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1BWCQR估計下上證股指標準化殘差序列

進一步，上證指數(shù)全序列和滬深300股指全序列在BWCQR估計下的標準化殘差序列的自相關(guān)(ACF)圖和偏自相關(guān)(PACF)圖，如圖1,2所示，可見BWCQR估計下股指的標準化殘差序列是白噪聲序列，這再次驗證了BWCQR估計的優(yōu)良性.圖2BWCQR估計下滬深股指標準化殘差....

圖2BWCQR估計下滬深股指標準化殘差序列

圖1BWCQR估計下上證股指標準化殘差序列3結(jié)語

圖3.1:BWCQRBootstrap統(tǒng)計推斷步驟流程圖

綜上所述,BWCQR估計及其Bootstrap法的算法如圖3.1所示。3.3數(shù)值模擬

圖4.1:三支股指收盤價時序圖及其對應(yīng)的中心化對數(shù)收益率圖

圖4.1給出了3支股指的百倍中心化對數(shù)收益率(以下簡稱rt)的時序圖,不難看出,3支股指的波動均具有聚集性特征,也即大波動后面緊跟著大的波動,小的波動后緊跟著小的波動。表4.1給出3支rt序列基本的描述性統(tǒng)計分析值。峰度大于3表明收益率序列不服從正態(tài)分布,其中HSI尾部不如其余2....

本文編號：3954663