论文部分内容阅读
针对金融高频数据,许多专家学者提出了一系列的模型进行研究,这些模型都是研究单个非负值金融高频时间序列的,理论意义上差别不大。为了能统一研究非负值金融高频时间序列,Engle(2002)提出了一般化模型——乘积误差模型(MEM)。目前,MEM的参数估计方法运用最多的是极大似然估计(MLE)。然而实际金融市场上的高频数据往往具有重尾的性质且含有较多异常点,这些数据的方差甚至可能是无穷的,这就使得MLE在估计中直接假设误差方差有限显得不合理,而且一旦事先假设的误差分布与实际不符,得出的结果将会不可靠。针对MLE存在的问题,本文采用稳健估计的方法:首先,用M-估计对MEM进行参数估计,但M-估计给数据异常点和正常点相同的权重,这稍显不合理;之后,考虑自加权M-估计(SM-估计),SM-估计可以根据离群点的大小分别给予离群点不同的权重,进一步减小离群点对估计结果的影响,本文还从理论上证明了SM-估计的相合性和渐近正态性。在误差服从Pareto分布、Burr分布和Fréchet分布等重尾分布的情况下进行数值模拟,通过模拟发现参数MEM(1,1)下稳健估计的Bias和MSE总体上都比MLE小,即使在给数据加上异常值后,MLE的估计效果变得不理想,然而稳健估计的效果还是比较好。最后,将稳健估计下的参数MEM(1,1)应用于大连商品交易所聚乙烯和聚丙烯两只期货,对同一时间段内两只期货的价格极差、成交量和成交额进行建模比较研究,发现稳健估计下参数估计结果的对数似然值(LogL)均大于MLE,且稳健估计下参数估计结果的赤池信息准则(AIC)均小于MLE,由此说明稳健估计更适合参数MEM的参数估计。