R语言金融波动率建模|基于SGED分布的变参数ARIMA+EARCH动态预测模型的研究

     

作者简介Introduction

齐祥会：某高校小硕一枚，“中金所杯”全国高校金融衍生品竞赛二等奖获得者，通过FRM（金融风险管理师）考试， 获得过全国赛、省赛、校赛量化投资团体赛及金融建模等前三等奖项，即将就职于某期货公司投资研究部，研究方向为股指期货、国债期货等，热爱使用R语言金融统计建模及可视化分析，希望能与行业大神有更多学习交流的机会！  

 基于SGED分布的变参数ARIMA+EARCH动态预测模型的研究

 —以沪深5只个股的滚动预测为例

本文代码请在公众号后台回复：R语言波动率金融建模  获取

【摘要】根据股票市场收益率序列呈尖峰厚尾、偏态、波动集聚和杠杆效应等特征,本文构建Skew-GED(SGED)分布下的变参数ARIMA+EGARCH动态混合预测模型来挖掘和分析收益率序列的内在规律，运用r语言通过实时最优化动态模型的参数估计，分别对5只股票日对数收益率序列的未来收益情况进行每日预测每日更新，输出交易信号；最后通过滚动时间窗进行推进分析，解决可能存在的过度拟合问题，结果表明动态模型能更好地描述收益率特性，提高预测准确性。

【关键词】变参数ARIMA+EGARCH动态模型；参数优化；推进分析；股票收益率预测

一、引言

波动性是股票市场最为重要特性之一，因此，探讨其波动规律、把握其运行趋势成为当今学术界与实务界研究的热点。

股票收益率波动模型的研究主要有：ARMA 类模型、ARCH 类模型及二者的混合模型，模型中波动误差分布的假定主要有正态分布、T 分布、GED 分布和SKT 分布。国内外大量研究表明，收益率序列波动通常具有集聚性、分布的尖峰厚尾性以及有偏性。本文以5只股票为例，通过对股票日对数收益率序列的分析，发现股票日对数收益率波动存在明显的“尖峰厚尾”现象、波动集聚和非对称特征。通过建立收益率序列的ARIMA 模型处理中期记忆特征，然后再利用EGARCH模型处理异方差的非对称以及波动率聚集特征，采用S-GED分布解决股票收益率波动的“尖峰厚尾”现象以及有偏分布问题，就能够很好地解决股票收益率的这些特性，取得较理想的拟合及预测效果。

本文利用Skew-GED(SGED)分布下的变参数ARIMA+EGARCH动态预测模型对给定的5只股票收益率进行预测，为股票收益率预测和股票投资提供一种思路。任何一种预测方法都要回归现实，接受实践的检验，本文的预测部分证明了该模型具有一定的预测精度，在一定程度上能够为投资者和金融市场相关人员及机构提供决策依据。

二、股票收益率预测建模

2.1模型建立原理

2.1.1进行股票收益率的预测

在股票市场中，准确的股票收益率预测是市场交易各方共同关心的重要问题。多数金融研究针对的是资产收益率而不是资产价格。Campbell，Lo和MacKinlay（1997）给出了使用收益率的两个主要理由：第一、对普通投资者来说，资产收益率完全体现了该资产的投资机会，且与其投资规模无关；第二，收益率序列比价格序列更容易处理，因为前者有更好的统计性质。本文对上述各个指数的对数收益率进行分析和预测。

2.1.2 ARIMA+EGRACH混合模型构建

由于影响股票市场的因素十分复杂，仅靠建立单一的股票收益率预测模型来提高预测精度是非常困难的。本文提出了ARIMA+EGRACH模型运用滚动时间窗口来提高股票收益率预测精度的新思路。首先，ARIMA模型能有效地处理金融时间序列的记忆特征；其次，由于GARCH模型中，正的和负的冲击对条件方差的影响是对称的，因此GARCH模型不能刻画收益率条件方差波动的非对称性。故本文选用改进后的EGARCH模型来挖掘和分析预测收益率序列的内在规律。通过使用ARIMA模型构成EGARCH模型中均值方程，由此构成 “ARIMA+EGRACH”模型，并通过滚动时间窗参数估计的持续最优化，以期提高预测精度.

（1）对个股对数收益率序列建立一个变参数的ARIMA（p，d，q）模型

一般的ARMA（p，q）模型的形式为：

 如果把ARMA模型广到允其AR多项式以1作为它的单位根，则模型就变成了众所周知的自回归就和滑动平均（ARIMA）模型，如果存在单位根，则模型非平稳，若不存在单位根个模型平稳。

（2）对个股对数收益率及个股价格波动率构建一般的EGARCH模型

EGARCH模型是指数GARCH模型，是不要求非负的限制的一种模型，能对正负扰动项进行非对称处理。 EGARCH模型是放松了对GARCH模型的参数非负约定。