我國(guó)國(guó)債收益率的預(yù)測(cè)與評(píng)價(jià)

李龍?zhí)螛浼t

(1．四川建筑職業(yè)技術(shù)學(xué)院 經(jīng)管系，四川 德陽(yáng) 618000;2．云南大學(xué) 數(shù)統(tǒng)學(xué)院，云南 昆明 650091)

一、時(shí)間序列模型介紹

我們知道，金融上的隨機(jī)序列一般都具有自相關(guān)性，可以用時(shí)間序列模型來(lái)進(jìn)行模擬。收益率隨時(shí)間變化，且在每個(gè)時(shí)間點(diǎn)上都只取一個(gè)觀測(cè)值，收益率的波動(dòng)變化可以看成時(shí)間序列過(guò)程?？梢圆捎脮r(shí)間序列模型對(duì)利率進(jìn)行建模，用于刻畫收益率的波動(dòng)性。時(shí)間序列分析法是伯克斯·詹金斯(Box·Jenkins)提出的。這種建模方法不考慮以經(jīng)濟(jì)理論為依據(jù)的解釋變量的作用，而是依據(jù)變量本身的變化規(guī)律，利用外推機(jī)制描述時(shí)間序列的變化。建立時(shí)間序列模型的前提是時(shí)間序列必須具有平穩(wěn)性，如果時(shí)間序列是非平穩(wěn)的，建立模型之前應(yīng)先把它變換為平穩(wěn)的時(shí)間序列，同時(shí)仍保持原時(shí)間序列的隨機(jī)性。建立時(shí)間序列模型主要包括三個(gè)步驟:第一，時(shí)間序列的識(shí)別及模型形式的選擇;第二，模型參數(shù)的估計(jì);第三，模型的診斷檢驗(yàn)。這里我們采用 ARIMA［1］(P234)模型進(jìn)行分析。

一般的ARMA(p，q)模型的形式為:

其中Φ(L)和Θ(L)分別表示L的p，q階多項(xiàng)式，分別稱為自回歸算子和移動(dòng)平

均算子。

由經(jīng)驗(yàn)得知，收益率序列一般為非平穩(wěn)的，而ARMA模型要求序列為平穩(wěn)序列，因此需要將收益率序列進(jìn)行1階差分變?yōu)槠椒€(wěn)序列，從而變成AR IMA模型。

我們已知AR和MA模型具有以下性質(zhì):

對(duì)于MA模型，ACF(自相關(guān)函數(shù))是決定其階數(shù)的有力工具，因?yàn)閷?duì)MA(q)序列ACF是q階后截尾的;對(duì) AR模型，PACF(偏自相關(guān)函數(shù))是決定其階數(shù)的有力工具，因?yàn)锳R(p)過(guò)程PACF是p階后截尾的。

另外，在資本市場(chǎng)中，經(jīng)常可以發(fā)現(xiàn)這樣的現(xiàn)象:資產(chǎn)的向下運(yùn)動(dòng)通常伴隨著比之程度更強(qiáng)的向下運(yùn)動(dòng)。為了解釋這一現(xiàn)象，Engle和Ng繪制了好消息和壞消息的非對(duì)稱信息曲線，認(rèn)為資本市場(chǎng)中的沖擊常常表現(xiàn)出一種非對(duì)稱效應(yīng)。這種非對(duì)稱性是十分有用的，因?yàn)樗试S波動(dòng)率對(duì)市場(chǎng)下跌的反應(yīng)比對(duì)市場(chǎng)上升的反應(yīng)更加迅速，因此被稱為“杠桿效應(yīng)”，是許多金融資產(chǎn)的一個(gè)重要事實(shí)特征。而GARCH(1，1)模型認(rèn)為收益的正方向變動(dòng)和負(fù)方向變動(dòng)對(duì)波動(dòng)率變動(dòng)幅度有著相同的影響，為了捕捉波動(dòng)率變動(dòng)的這一不對(duì)稱性，我們引入TARCH(1，1)模型。這個(gè)模型中條件方差被定義為:

二、實(shí)證分析

樣本分別選取Rm10的2006年2月27日到2008年12月12日的近600組數(shù)據(jù)，首先用Eviews5．0對(duì)Rm10的數(shù)據(jù)進(jìn)行分析，由時(shí)間序列圖我們可以看出，Rm10為非平穩(wěn)序列。2006年至2007年1月之間收益率的波動(dòng)幅度不大，但是2007年以后，收益率出現(xiàn)劇烈的波動(dòng)，并在2007年12月達(dá)到最高點(diǎn)，2008年8月達(dá)到最低點(diǎn)。因此，也必須先對(duì)Rm10做1階差分。由一階差分知，Rm10的1階差分序列平穩(wěn)，可以對(duì)DRm10進(jìn)行平穩(wěn)性建模。

由DRm10的ACF和PACF都是4階后截尾，可得ARIMA模型的方程為:

殘差在表現(xiàn)出明顯的異方差性的同時(shí)，還有波動(dòng)集群性，因此有必要進(jìn)行異方差檢驗(yàn)，建立ARIMA模型為:

由Rm10的ARCH效應(yīng)檢驗(yàn)εt的12階滯后的相伴概率仍然有p=0，拒絕原假設(shè)，殘差序列存在高階ARCH效應(yīng)，即有GARCH 效 應(yīng)， 因 次 對(duì) 殘 差［2］(P24)進(jìn) 行GARCH分析是必要的。由ARCH 1階滯后的相伴系數(shù)的概率p=0．853691，接受原假設(shè)，殘差序列的ARCH性已被消除。

模型估計(jì)結(jié)果較好，所有的系數(shù)均顯著。β1，β4均小于零說(shuō)明收益率的均值回復(fù)現(xiàn)象，與實(shí)際情況相符。α1＜ 0，φ ＞ 0，α1+θ1＜1都與GARCH模型的假設(shè)相符α1和θ1都顯著不為零說(shuō)明收益率的波動(dòng)可有過(guò)去收益率的波動(dòng)加以預(yù)測(cè)。α1+θ1＜1說(shuō)明收益率波動(dòng)具有有限方差屬于弱平穩(wěn)過(guò)程，波動(dòng)最終會(huì)衰減。a1+θ1接近1說(shuō)明交易所收益率對(duì)信息沖擊反應(yīng)是一個(gè)較慢的過(guò)程，沖擊對(duì)交易所市場(chǎng)的影響具有持續(xù)性。

綜上，交易所的國(guó)債收益率收益率波動(dòng)方差具有有限方差均屬于弱平穩(wěn)過(guò)程，對(duì)信息沖擊的反應(yīng)較慢。

三、預(yù)測(cè)

預(yù)測(cè)的評(píng)價(jià)指標(biāo)分別是(1)均方誤差(RMSE)、(2)平均決對(duì)誤差(MAE)、(3)平均絕對(duì)百分誤差(MAPE)、(4)希爾不等系數(shù)(TIC)。上述四式中，t=s，s+1，s+2，…s+h。RMSE的平方叫均方誤差，其對(duì)誤差的微小變化十分敏感，在實(shí)踐中也常用。上述指標(biāo)前兩項(xiàng)測(cè)量絕對(duì)誤差，后兩項(xiàng)測(cè)量相對(duì)誤差。絕對(duì)誤差比較直觀，但取值大小受到量綱的影響，不能形成統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)。相對(duì)指標(biāo)可以形成一致的評(píng)價(jià)標(biāo)準(zhǔn)，比如:MAPE的取值在0－5之間說(shuō)明預(yù)測(cè)精度極高，在10以內(nèi)說(shuō)明預(yù)測(cè)精度高。TIC的取值范圍是0－1之間，取值越小越好。

誤差成分分析［3］(P245)指標(biāo)分別是偏差率、方差率和協(xié)變率它們的取值范圍都在0－1之間，三項(xiàng)指標(biāo)之和等于1。它們的計(jì)算公式分別是:(1)偏差率、(2)方差率、(3)協(xié)變率。偏差率反映預(yù)測(cè)值和實(shí)際值序列的均值之差。如果偏差率很大說(shuō)明預(yù)測(cè)是有偏的。方差率測(cè)量預(yù)測(cè)值序列和實(shí)際值序列標(biāo)準(zhǔn)差的差距，如果該指標(biāo)取值較大，說(shuō)明預(yù)測(cè)值與實(shí)際值的變異存在明顯差異。這兩項(xiàng)指標(biāo)所反映的誤差叫做系統(tǒng)誤差，是預(yù)測(cè)中盡量要避免的。協(xié)變率所反映的誤差是非系統(tǒng)誤差或紊亂誤差。一個(gè)理想的總誤差中，系統(tǒng)誤差應(yīng)占的份額應(yīng)盡可能的小，非系統(tǒng)誤差所占的份額應(yīng)盡可能的大，因此，偏差率和方差率應(yīng)盡可能小，協(xié)變率應(yīng)盡可能的大。

RM 10的預(yù)測(cè)結(jié)果如下:由圖1知:MAP=2．643014 遠(yuǎn)小于 5，TC=0．015915接近0，說(shuō)明預(yù)測(cè)精度極高，同時(shí)BP=0．400209，VP=0．002426，CP=0．597365，系統(tǒng)誤差小于非系統(tǒng)誤差，完全符合預(yù)測(cè)理論。綜上，我們用 ARIMA－TARCH模型［4］(P145)分別對(duì)交易所國(guó)債收益率進(jìn)行預(yù)測(cè)，效果良好。

圖1:RM10預(yù)測(cè)和方差

四、結(jié)論

本文在大量數(shù)據(jù)資料下，對(duì)我國(guó)國(guó)債收益率進(jìn)行了定量和定性分析，用ARIMA－TARCH模型對(duì)交易所國(guó)債收益率進(jìn)行預(yù)測(cè)，效果良好。國(guó)債市場(chǎng)是金融市場(chǎng)的基礎(chǔ)，因而，對(duì)風(fēng)險(xiǎn)的防范和自身完善的要求更加緊迫。本文的分析還是比較粗淺，希望能采用極值理論結(jié)合 VaR［5］(P165)來(lái)分析極端事件對(duì)利率波動(dòng)的影響情況，進(jìn)而給出極端事件的風(fēng)險(xiǎn)度量。本文在很多地方還待完善和補(bǔ)充，希望以上文章能拋磚引玉，引起研究者的興趣和思考。

［1］潘婉彬．銀行間國(guó)債市場(chǎng)與交易所國(guó)債市場(chǎng)相關(guān)性研究［J］．?dāng)?shù)學(xué)與統(tǒng)計(jì)管理，2007，(3)．

［2］黃海南．GARCH類模型波動(dòng)率預(yù)測(cè)評(píng)價(jià)［J］．中國(guó)管理科學(xué)，2007，(6)．

［3］魯政委．基準(zhǔn)利率體系完善與貨幣政策操作模式轉(zhuǎn)變［J］．中國(guó)貨幣市場(chǎng)，2008，(7)．

［4］王曉亮．論完善我國(guó)國(guó)債市場(chǎng)［J］．當(dāng)代經(jīng)濟(jì)(下半月)，2008，(9)．

［5］Mills·T·C．The Econometric modeling of Financial Time Serise［M］．Cambridge University Press，1979．