 |
您現(xiàn)在的位置： 南方財(cái)富網(wǎng) >> 股票知識(shí) >> 股票名詞 >> 正文 |
 |
南方財(cái)富搜索 |
| 實(shí)際波動(dòng)率背景及算法簡介 實(shí)際波動(dòng)率的理論背景主要是基于收益分解和二次變動(dòng)理論。 假定N×1對(duì)數(shù)價(jià)格向量Pt，遵循如下多變量連續(xù)時(shí)間隨機(jī)波動(dòng)擴(kuò)散模型： dPt = μtdt + ΩtdWt (1) Wt表示N維布朗運(yùn)動(dòng)過程，Ωt為N×N維正定擴(kuò)散矩陣，且嚴(yán)格平穩(wěn)。條件于樣本路徑特征μt和Ωt下，在[t，t+h]上連續(xù)復(fù)合收益為： rt + h,h = Pt + h − Pt (2) 實(shí)際波動(dòng)率與GARCH的比較 1、預(yù)測精度 ABDL(2001b)提出了VAR—RV模型，即所謂的長記憶高斯向量自回歸對(duì)數(shù)實(shí)際波動(dòng)率模型，并且用第T日的實(shí)際波動(dòng)率分別和VAR—RV及GARCH(1，1)利用直到T一1日的信息預(yù)測第T日的波動(dòng)率的結(jié)果比較，發(fā)現(xiàn)VAR—RV的預(yù)測精度遠(yuǎn)優(yōu)于GARCH(1，1)的預(yù)測精度。 因?yàn)镚ARCH(1，1)用到的是直到T一1日的日收益平方，而VAR—RV利用的卻是直到T一1日的日內(nèi)收益數(shù)據(jù)，它是基于長記憶的動(dòng)態(tài)模型。這是它優(yōu)于前者的關(guān)鍵。GARCH(1，1)模型在預(yù)測精度方面的不足并不是模型本身的錯(cuò)，而是在日收益中的噪聲使得GARCH模型在預(yù)測方面顯得力不從心，相反卻體現(xiàn)了用日內(nèi)數(shù)據(jù)來預(yù)測波動(dòng)率的功效。正如ABDL(2001a)指出“二次變動(dòng)理論揭示：在適當(dāng)?shù)臈l件下，RV不僅是日收益波動(dòng)的無偏估計(jì)量，而且漸進(jìn)地沒有度量誤差�！� 2、在處理多變量方面 GARCH模型通常是針對(duì)單變量的，雖然多元的ARCH類模型和隨機(jī)波動(dòng)模型也被提出了，如[[]Bollerslv]]、Engle、Nelson(1994)、Ghysels、Harvey、E.Renault(1996)和K.Kroner，Engle（Ng）(1998)，但這些模型由于受到維度限制問題(curse —of—di．mensionality)而嚴(yán)重影響了它們的實(shí)際應(yīng)用。而RV在處理多元方面顯得游刃有余。正如ABDL(2001b)指出“用多元分形求積高斯向量自回歸來處理對(duì)數(shù)實(shí)際波動(dòng)率，和由ARCH類及相關(guān)模型所得結(jié)果相比，發(fā)現(xiàn)前者有驚人的優(yōu)勢�！� |
| （責(zé)任編輯：張?jiān)墸?/td> |
|
延伸閱讀
|
||||||||||
|
