Автор работы: Пользователь скрыл имя, 29 Июля 2013 в 21:32, контрольная работа
Если задано распределение вероятностей , условное по предопределенным к моменту t величинам , составляющим информационное множество , то одношаговым прогнозом значения на основе этой информации является условное математическое ожидание , ошибкой прогноза – условная дисперсия . Оба этих выражения в принципе допускают зависимость от . Если же условная дисперсия в действительности постоянна и не зависит от истории процесса, то такой процесс обладает свойством условной гомоскедастичности.
Нарушение первого из них сигнализирует о пропущенной переменной в уравнении условного среднего. Нарушение второго условия свидетельствует об ограничительности AR(1) репрезентации логарифма условной дисперсии.
В более общей постановке моделируется как процесс ARMA(p,q), причем степени авторегрессии и скользящего среднего определяются на основе критериев Schwartz или Akaike. Так, например, ARMA(2,1) репрезентация логарифма условной дисперсии была выбрана по критерию Schwartz для многих фондовых индексов США (Nelson (1991), Bollerslev, Engle, Nelson (1993)). Выбор p=1, q=0 в настоящей работе обусловлен лишь техническими ограничениями: формального тестирования порядков p и q не проводилось.
Таблица 4.
Таблица 5.
Таблица 6.
ЦЕНЫ ГКО.
Переменная представляет собой взвешенное среднее цен выпусков ГКО со сроками погашения от 1 до 360 дней; в качестве весов приняты текущие доли выпусков в суммарном обороте торгов. Временной ряд содержит 403 наблюдения за период 5.01.97-14.08.98. Цены и доходность данного выпуска связаны обратным соотношением (t – число дней до погашения):
.
Можно ожидать, что усредненные цены и доходности находятся также в обратной зависимости.
.
В ситуации полной определенности (s =0) средневзвешенные цены находятся на уровне 96,59, увеличение стандартного отклонения на единицу в долгосрочной перспективе влечет снижение цен на 3,52. Диаграмма в пространстве m –s изображена на рисунке 12.
Коэффициент чувствительности логарифма условной дисперсии к отрицательным z равен q - g = -0,1117 при стандартной ошибке 0,0270, к положительным z – q +g = 0,0044 при стандартной ошибке 0,0316. По своему влиянию на условную дисперсию отрицательные инновации следует признать “негативными известиями”, тогда как положительные инновации – “нейтральными известиями”.
Автокорреляция
Таблица 7.
Таблица 8.
Таблица 9.
МЕТОДЫ КВАЗИ-МАКСИМАЛЬНОГО ПРАВДОПОДОБИЯ И МОМЕНТОВ: ОЦЕНКИ МОДЕЛИ (М).
Провал гипотезы (N) в каждом из рассмотренных случаев мотивирует применение метода квази-максимального правдоподобия (МКМП) и обобщенного метода моментов (ОММ).
Результаты оценивания модели (М) данными методами представлены в таблицах 10-12. Приведены стандартные отклонения оценок параметров, соответствующие трем различным ковариационным матрицам:
В последнем столбце показаны отношения стандартных отклонений оценок ОММ к стандартным отклонениям оценок МКМП. Таблицы 10-12 позволяют сформулировать важные замечание и гипотезу.
Замечание. HE-форма ковариационной матрицы систематически преуменьшает стандартные отклонения оценок метода квази-максимального правдоподобия. Смещение особенно велико, если распределение инноваций асимметрично. Данное сравнение иллюстрирует результаты Bollerslev и Wooldridge (1992).
Для большинства параметров стандартные отклонения оценок ОММ меньше стандартных отклонений оценок МКМП. Отношения их лежат в интервале: от 0,8077 до 1,0194 (РТС), от 0,5458 до 1,0647 (доходность ГКО), от 0,4824 до 1,1572 (цены ГКО). Общую закономерность нарушают: константа в модели для РТС (1,0194), q для доходности ГКО (1,0647), d для цен ГКО (1,1572).
Гипотеза. Обобщенный метод моментов более эффективен, чем метод квази-максимального правдоподобия не только асимптотически, но также и для конечных выборок. Выигрыш в эффективности тем больше, чем сильнее отклонение условного распределения процесса от нормального.
Проведение экспериментов
Таблица 10.
Таблица 11.
Таблица 12.
* Отношение стандартного
В этом параграфе мы анализируем
взаимозависимости между
ОЦЕНИВАНИЕ МНОГОМЕРНОЙ ARCH МОДЕЛИ МЕТОДОМ ГЛАВНЫХ КОМПОНЕНТ.
Определение многомерного ARCH процесса не представляет никакой теоретической сложности: рассматривается m-компонентный наблюдаемый случайный вектор , m-компонентный вектор его условного математического ожидания, m´ m матрица условной вариации. Оценивание многомерной ARCH модели, однако, сопряжено со значительными трудностями.
В настоящей работе применяется полупараметрическая ARCH модель, предложенная Ф. Клаассеном (F. Klaassen, 1999); модель привлекательна своей предельной технической простотой. Наблюдаемые процессы преобразуются в главные компоненты. Для каждой главной компоненты по отдельности применяется одномерная ARCH модель. Обратным преобразованием оцененные условные моменты главных компонент трансформируются в условные моменты наблюдаемых процессов. Оценивание m-мерной модели, таким образом, сводится к построению m одномерных моделей.
Последовательность операций такова.
Вычисляется матрица
.
Безусловные ковариации между главными компонентами равны нулю. Основное предположение модели состоит в равенстве нулю условных ковариаций между главными компонентами. Условные ожидания и дисперсии главных компонент оцениваются с помощью m независимых одномерных моделей. Вне-диагональные элементы заполняются нулями. Наконец, условные моменты преобразуются в условные моменты по формулам
СЕГМЕНТЫ РЫНКА ГКО.
В данном разделе мы рассматриваем рынок ГКО как совокупность нескольких сегментов, объединяющих выпуски государственных облигаций с близкими сроками погашения. Нами принята следующая сегментация рынка: выпуски со сроками погашения 1-30, 31-90, 91-180 и 181-360 дней (соответственно GKO1, GKO3, GKO6, GKO12). Такая сегментация обусловлена существенно различными инвестиционными свойствами кратко-, средне-, и долгосрочных выпусков ГКО. Вложения в краткосрочные выпуски, как правило, выполняли функции оперативного регулирования рублевой ликвидности, либо задачи спекулятивных операций арбитражного типа в течение торговой сессии. Долгосрочные выпуски ГКО в некоторой степени выступали как инструменты долгосрочных инвестиций. Среднесрочные облигации занимали промежуточное место.
В качестве переменных выбраны средневзвешенные по объему торгов цены облигаций. Такой выбор не является бесспорным. Более распространенный подход к анализу нескольких финансовых активов предполагает рассмотрение их одновременных доходностей. Так, Пересецкий и Ивантер (1999) вычисляют однодневные доходности ГКО и ОФЗ. Уровень цен ГКО, ОФЗ, акций используются Дорофеевевым (1998), который отмечает, что применение темпов прироста цен не вполне оправдано с точки зрения временных задержек воздействия одних индикаторов на другие.
Оценки безусловной корреляции четырех сегментов рынка ГКО представлены в таблице 13. В наибольшей степени коррелируют смежные сегменты; так, корреляция GKO6 и GKO12 составляет 0,95.
Динамика условных дисперсий изучаемых переменных характеризуется выраженной синхронностью. Замечательно, что уровни волатильности в любой момент времени находятся в полном соответствии со срочностью сегментов (т.е. волатильность возрастает при движении от GKO1 к GKO12).
Наибольший интерес
Смирнов, Нагпал и Нейман (1998) предполагают: ‘Корреляция между развивающимися рынками увеличивается в периоды падения по сравнению с периодами роста. Этому способствуют установки риск-менеджмента, принятые в западных финансовых институтах. Ценные бумаги развивающихся стран относятся к рисковой части портфеля, и в кризисные моменты они сбрасываются с целью перевода капитала в менее рискованные активы; т.о., происходит отток капиталов со всех развивающихся рынков одновременно’. Вероятно, такие рассуждения справедливы и в отношении нескольких сегментов в рамках национального финансового рынка. Продажа нерезидентами крупных пакетов национальных ценных бумаг влечет одновременное падение цен и увеличение корреляции между ними.
В краткосрочной динамике оцененных условных корреляций имеются видимые различия, однако сравнение их средних значений на характерных интервалах времени приводит к общим выводам (таблица 14). Цены ГКО коррелировали слабее в течение первой половины модельного периода (январь–октябрь 97 года), чем во второй его половине (октябрь 97 года – август 98 года). В сентябре – октябре 97 года корреляции относительно низки. Все корреляции переживают резкое увеличение 29 октября 97 года; значения корреляций на 28 и 29 октября приведены в таблице 14.
Причинные (по Гранжеру) связи между сегментами рынка изучались попарно. Были оценены VAR-модели с четырьмя лагами. Тестирование проведено с учетом условной гетероскедастичности, для чего использовались оцененные матрицы условной ковариации между переменными. Для того, чтобы избежать ложной регрессии, все тесты проведены как для уровней, так и первых разностей.
Тесты для уровней обнаруживают
двухстороннюю причинность
Информация о работе ARCH процессы. Определение, модели, приложения