中信银行股市风险评估波动解析.doc

  1. 1、本文档共144页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多

中信银行股市风险评估波动解析

中信银行股市风险评估波动解析

中信银行股市风险评估波动解析

中信银行股市风险波动分析

股票的价格时刻处于波动之中,因而未来的一个投资期的收益率rt是不确定的,其本质上是一个随机变量,具有一定的概率分布。在已知现在及以前信息的情况下,它服从一定的条件概率分布,其不确定性可以用条件异方差来度量。考虑若干投资期,设pt表示某种股票第t个投资期的收盘价,相应的对数收益率为rt=log(pt)-log(pt-1)。

下面对中信银行的收益序列建立GARCH模型,估计其方差序列并分析动态风险波动特征。样本数据为2007年4月27日至2011年6月22日,共1000个交易日。以1000个交易日的日收盘数据为基本的分析数据,数据来源于广发证券股票交易软件,具体数据如附表1。下面的相关估计结果由Eviews5.0得出。

回归拟合

由前面的分析可得,研究金融资产收益率时通常使用对数收益率,对原数据经过处理并作对数收益率图、自相关图。根据对数收益率时序图和单位根检验可以看出,该序列是平稳的。由自相关图中的Q-Stat统计量检验得出,序列不是纯随机的,尝试构造AR(2)模型,AR(2)模型为

yt=-0.000664-0.066621xt-1-0.025976xt-2+vt

对数收益率时序图

ADF检验结果

t-Statistic

??Prob.*

AugmentedDickey-Fullerteststatistic

-34.40401

?0.0000

Testcriticalvalues:

1%level

-3.436683

5%level

-2.864225

10%level

-2.568251

对数收益率自相关图

残差自相关性检验

由残差序列的自相关图中Q-Stat统计量得,滞后15阶的P值都大于0.05,接受原假设,说明残差序列{vt}为纯随机序列。

三、异方差自相关性检验

对残差序列利用LM统计量检验看是否存在异方差性,检验结果如表1。从表中可以看出延迟6阶的检验结果表明残差序列具有显著的异方差性。假设异方差函数为ht,则有

vt/(ht)0.5~N(0,1)。

表1

Variable

Coefficient

Std.Error

t-Statistic

Prob.??

C

0.000379

6.93E-05

5.465073

0.0000

RESID^2(-1)

0.068890

0.031990

2.153471

0.0315

RESID^2(-2)

0.039725

0.032062

1.239000

0.0156

RESID^2(-3)

0.102140

0.032066

3.185337

0.0015

RESID^2(-4)

0.093943

0.032204

2.917121

0.0036

RESID^2(-5)

0.063152

0.032256

1.957865

0.0505

RESID^2(-6)

0.073157

0.032218

2.270647

0.0234

RESID^2(-7)

-0.03191

0.032122

-0.993421

0.3208

RESID^2(-8)

0.038950

0.031989

1.217598

0.2237

RESID^2(-9)

0.003591

0.031979

0.112307

0.9106

RESID^2(-10)

0.032378

0.031501

1.027850

0.3043

四、ARCH模型阶数估计

由于LM统计量显示出残差序列具有异方差长期自相关性,即存在较高阶ARCH效应,对该收益率残差序列拟合GARCH(1,1)模型及其他一些高阶GARCH模型,表2列出了残差序列拟合的各阶GARCH模型的AIC值。

表2GARCH模型定阶

GARCH(p,q)

AIC

(1,1)

-4.466219

(1,2)

-4.464253

(2,1)

-4.464219

(2,2)

-4.459765

从表2中可以看出,残差序列在AIC准则下的适合模型阶数为GARCH(1,1)。

五、参数估计

对模型的参数进行极大似然估计,参数估计值如表3,可得残差序列的GARCH(1,1)模型为

yt=-0.000664-0.066621xt-1-0.025976xt-2+vt

vt=(ht)0.5et

ht=0.0000848+0.957116ht-1+0.057375v2t-1

参数显著性检验显示,除自回归模型中的参数外,其他参数均显著。需要说明的是自回归模型中的参数不显著对模型没有影响,目的是为得到残差序列。

表3

Coefficient

Std.Error

z-Statistic

Prob.??

C

-

文档评论(0)

iphone0b + 关注
官方认证
内容提供者

该用户很懒,什么也没介绍

认证主体如皋市辰森技术服务工作室
IP属地江苏
统一社会信用代码/组织机构代码
92320682MA278Y740Q

1亿VIP精品文档

相关文档