论文部分内容阅读
传统的计量经济学是我们研究分析数理金融的主流工具,其中的许多模型假定选取的样本满足同方差条件,然而随着金融理论的发展和实证工作的深入,我们发现这一假设并不合理。1982年,在研究英国通货膨胀的问题时,Engel就如何实时的精确测量波动,动态刻画收益率的异方差问题提出了ARCH模型(Autoregressive conditional heteroskedasticity model),从而为有效地解决上述问题提供了新的途径。由于ARCH族模型能够对金融风险较以往的模型进行更为精确的刻画,因此成为了目前描述金融风险的主要模型。但ARCH族模型的精确性取决于其参数估计的精确性,所以ARCH模型参数估计方法的改进成为目前制约其进一步应用的关键因素。对于传统的线性模型,参数的主要估计方法有最小二乘估计法、极大似然估计法以及矩估计法,分别适用于不同情况下的模型参数估计。由于极大似然估计具有较好的分布适用性,近年来逐渐成为计量模型较为常用的参数估计方法。但ARCH族模型为典型非线性模型,因此在进行极大似然估计时,往往受限于最优解的算法：无法找到最优解或唯一解。目前对金融数据的研究则多采用准极大似然估计的方法(Quasi Maximum Likelyhood Estimation):就是估计时减小扰动,在对我们所要研究的整体还没有太大的影响下,可以求得一个近似的最优解,这对于非正态随机扰动的处理效果较好。然而准极大似然法计算较为困难,而且样本量较小时,似然值趋于扁平。更为关键的是：在进行估计时必须要求参数严格为正,这同时也约束了结果的应用。在进行参数等于零的显著性检验时,我们也无法获取原假设下参数的极限分布。诸多不足均限制了ARCH模型的应用。随机加权法线性估计较之前的研究方法提高了一定的精确度,特别的是随机加权法线性估计方法在对ARCH模型进行参数估计的时候没有对参数有约束性的要求。在分析金融市场的样本数据时,可以得到一个比较精确的结果。本文主旨即在于把比较先进的随机加权法线性估计方法应用于ARCH模型,与以往研究ARCH模型参数的准极大似然方法相比较,从而得出随机加权线性估计方法在ARCH模型参数的估计上有着更好的适用性的结论。