一类β-GARCH模型的参数估计

首次提出了基于广义误差分布(Generalized error d istribution,简称GED)的一类β-广义自回归条件异方差模型(Generalized Autoregressive Cond itional heteroscedastical,简称β-GARCH),给出了该模型的平稳遍历性和高阶矩的存在条件,在GED下,将时间序列尾部的特征融入到β-GARCH模型的参数估计之中,并给出了该模型估计的BHHH算法.     

深证100指数的风险值估计方法

实证研究表明,用VaR-X修正模型中的残差分布(t分布)尾部指数的简化估计方法得到的尾部指数估计值与最大观察数目选择有关,具有不稳定性. 当最大观察数目足够大时,尾部指数序列的折线图是曲线,而不是直线,且采用普通最小二乘法估计时,模型存在条件异方差,会导致估计失效.采用ARCH模型或GARCH模型估计法不仅可以克服模型的条件异方差性,同时可解决最大观察数目选择难的问题.     

ARCH模型中自助法的有效性

ARCH模型的参数估计的统计性质都是在渐近意义下成立的,在实际中常用自助法再抽样扩大样本量从而验证参数估计值的稳定性.本文考察将成对自助法用于自回归条件异方差（ARCH）模型的一阶渐近有效性.     

随机波动利率期限结构的有效矩估计

建立描述中国金融市场国债回购利率行为的随机波动利率期限结构模型.通过将观测数据映射成EGARCH(1,1)辅助模型描述利率行为的异方差特征,以协方差矩阵为矩条件,用有效矩估计方法得出模型参数,避免了最大似然估计法似然函数不可知或难以求积分的缺陷.参数估计结果均显著,表明该方法能够反映利率行为的均值回复和异方差特征,得出中国金融市场国债回购利率能够较好地用随机波动利率模型进行描述的结论.     

异方差的估计与实证

"异方差"是微观计量建模中不可回避的问题,尽管计量经济学理论从残差项出发给出大量的检验方法,但对如何估计异方差则没有给出明确答案.从数据分布出发,认为极大似然法在估计异方差方面具有独特的优势.首先建立异方差的极大似然估计模型,然后对一实际调查数据进行异方差估计.     

异方差模型中协方差阵的估计研究

在异方差模型中,尽管回归系数的普通最小二乘(OLS)估计仍能保持无偏性,但其对应的协方差阵估计不再一致。解决异方差问题,对随机误差项协方差阵的估计显得尤为重要。基于异方差形式未知的情况下,非参数估计的良好效果,应用不同的非参数方法对误差项的协方差阵给出估计,进而通过估计加权最小二乘法得到回归系数的估计,并在已有的加权异方差一致协方差阵估计的基础上进行了拓展。模拟实验和实例分析表明,不同的非参数方法在回归系数的估计和模型的检验方面效果都有很大的差异。     

具有异方差的线性回归模型的统计诊断

为了诊断具有异方差的线性回归模型的异常点,建立了具有异方差的均值漂移模型和数据删除模型.采用Score诊断统计量对具有异方差的均值漂移模型的均值是否漂移进行诊断,证明了异方差存在条件下均值漂移模型和数据删除模型的等价性.这一结果表明,在诊断具有异方差的线性回归模型的异常点时,可考虑采用更加便于处理的均值漂移模型.最后,用Score诊断统计量对镀锌数据进行了异常点的诊断.     

基于异方差回归模型估计的算法及程序设计

本文利用牛顿迭代法研究了积性异方差回归模型的估计与群组异方差回归模型的估计,并设计了该算法的计算程序,作为它的应用,计算了积性异方差回归模型估计与群组异方差回归模型估计的两个实例.     

非线性回归模型线性化后的参数估计精度问题

根据LS估计理论,对非线性回归模型线性化后参数估计精度存在的问题进行了分析,通过变量变换对线性化模型随机误差的方差进行了修正,建立了新参数估计模型.新参数估计模型满足Gauss-Markov假定,保持了LS估计的优良性质.     

混合自回归条件异方差模型的谱分析

线性时间序列模型谱密度的计算可以直接由定义获得,而非线性时间序列模型谱密度的计算目前还没有一般的理论.2001年Wong Chun-shan等将混合自回归(MAR)模型推广到混合自回归条件异方差(MAR-ARCH)模型,并且讨论了该模型的参数估计及模型选择问题,本文导出了MAR-ARCH模型自协方差函数的递推关系式及计...     

具有Laplace边际分布的二元自回归模型的统计推断

考虑具有Laplace边际分布的二元一阶自回归时间序列模型, 给出该模型的性质及参数的条件最小二乘估计, 并讨论估计量的相合性和渐近正态性. 最后给出数值模拟和实例分析.     

分位点门限自回归时间序列模型的贝叶斯方法

本文运用贝叶斯方法研究了门限分位点自回归时间序列模型的估计和预测. 将分位点回归的最优化问题转化为极大似然估计的问题,从而可以利用Metropolis-Hastings算法对模型中的参数进行Bayesian估计. 同时我们将模型应用于上证综合指数的增长率的数据, 得到了这一增长率的分位点估计. 这一方法的优越之处在于它不需要对数据的分布作预先的假定.     

ADCINAR(1)模型的加权条件最小二乘估计

用加权条件最小二乘方法, 对基于相依计数序列的一阶整值自回归模型(ADCINAR(1))进行参数估计, 给出参数估计的表达式及其渐近分布, 并推导模型的高阶矩、 高阶累积量、 谱密度和双谱密度. 数值模拟结果表明, 将加权条件最小二乘估计、 条件最小二乘估计和Yule Walker估计进行比较, 验证了加权条件最小二乘方法的有效性.     

NEAR(p)模型的参数估计

分别用条件最小二乘、 加权条件最小二乘和最大拟似然方法估计了平稳的NEAR(p)模型的参数. 并讨论了这些估计量的渐近性质. 通过数值模拟发现, 当参数真值较小时, 最大拟似然方法的估计效果较好; 当参数真值较大时, 加权条件最小二乘方法的估计效果较好.     

ARCH模型在金融时间序列中的拟合应用

讨论了自回归条件异方差(Autoregressive Conditional Heteroskedastic,简称ARCH)模型在金融时间序列分析中的拟合应用,以一金融时间序列为例,通过SAS/ETS中的自回归(Autoreh)过程实现对该金融时间序列的自回归-广义自回归条件异方差(Autoregressive-generalzed ARCH,简称AR-GARCH)模型的拟合和分析,最终得到理想结果.     

SNEAR(2)模型的平稳性及参数估计

讨论了一类广义非正态时间序列模型——周期性新指数自回归模型SNEAR(2).利用升维的方法将其化为一随机系数的平稳自回归模型,并给出了模型参数的条件最小二乘估计.     

多维门限GARCH模型

提出了一个新的多维ARMA-TGARCH(autoregressive moving average-threshold generalized autoregressive conditional heteroskedasticity)模型,研究了这个模型的结构性质和参数估计的渐近性质.首先,给出了该模型存在严平稳和遍历解,以及平稳解存在高阶矩的条件.其次,在二阶矩存在的条件下,证明了参数拟最大似然估计的相合性.最后,给出了参数拟最大似然估计的渐近正态性.     

基于贝叶斯估计的空间函数型自回归模型及其应用

目的 为了研究函数型数据中响应变量的空间相关性,根据现有研究方法,对具有空间依赖性的函数型数据进行研究,并提出其模型的贝叶斯估计方法。方法 以典型空间自回归模型为基础,根据函数响应变量的空间依赖性,假设响应变量和解释变量间存在内生关系,生成空间函数型自回归模型,通过主成分分析将模型中函数型部分变为离散型,然后在给定先验情况下计算模型中参数的完全条件后验分布,使用贝叶斯MCMC方法进行估计。结果 使用联合Gibbs采样和随机游动的Metropolis-Hastings算法对模型中参数进行估计,通过模拟研究发现：不同参数下模型的函数型系数以及其他参数的估计偏差和均方误差较小,由此验证了贝叶斯估计方法的有效性,同时将空间函数型模型用于重庆市主城区新房平均价格的实证分析,结果表明所提出模型的贝叶斯估计方法是有效的。结论 使用贝叶斯估计方法对模型中参数进行估计,在不同情况下函数型解释变量的估计效果一直都比较好,并且随着样本量的增大,其估计效果也越来越好,可以认为使用贝叶斯估计方法对空间函数型自回归模型进行估计是有效且可行的,同时通过实证分析说明重庆市主城区新房平均价格具有空间自相关性,而且会受到...     

一类双函数系数ARCH-M模型的经验似然估计

针对一类双函数系数自回归条件异方差-均值(ARCH-M)模型的估计问题,提出一种基于经验似然的估计方法;在该估计方法中,所提出的模型允许金融时间序列的风险效应和收益效应同时为某一变量的函数结构,可以有效地刻画金融时间序列的风险和平均收益之间的关系,具有较广的适应性;同时,与经典矩估计法和极大似然估计法相比,基于经验似然的估计方法具有独特的优势,可以充分考虑金融序列的异方差性,并且所构造的置信区间不涉及任何渐近方差的估计,因此具有较好的稳健性和有效性;在一些正则条件下,对所构造的经验对数似然比统计量及函数系数估计量的渐近分布进行了理论分析;结果表明：关于风险效应函数系数和收益效应函数系数的经验对数似然比统计量均渐近收敛于中心卡方分布,同时函数系数估计量渐近收敛于正态分布;进而对风险效应函数系数和收益效应函数系数分别构造了相应函数系数的逐点置信区间。