寇惠敏,孟昭為
(山東理工大學(xué)理學(xué)院,山東 淄博 255049)
由于金融資產(chǎn)(特別是股票和外匯)的交易價格一般具有“時間連續(xù)性”,因此,金融資產(chǎn)的收益率應(yīng)該是平穩(wěn)的。但是,隨著日內(nèi)高頻交易數(shù)據(jù)的可用性,許多學(xué)者發(fā)現(xiàn),金融資產(chǎn)的收益率在日內(nèi)近似連續(xù)的時間內(nèi)有可能出現(xiàn)大幅波動,這種現(xiàn)象稱為“跳躍”。跳躍在金融資產(chǎn)收益波動率的估計(jì)和預(yù)報中具有非常重要的意義。在金融計(jì)量經(jīng)濟(jì)學(xué)中對帶有跳躍項(xiàng)的隨機(jī)波動率模型的研究是一個重要的課題,模型中過高的峰度等一般都是由收益和波動中的跳躍引起的,而用簡單的SV模型無法解釋。在Eraker的文章中曾講過研究帶有跳躍的SV模型的重要性和實(shí)用性。
本文在收益和波動中的跳躍項(xiàng)帶同期性和相關(guān)性的隨機(jī)波動率模型的基礎(chǔ)上,用LM乘子檢驗(yàn),驗(yàn)證了在波動中跳躍的存在性,利用的是狄拉克·δ函數(shù)的思想推導(dǎo)出方差無限小的跳躍項(xiàng)密度函數(shù),這個方法是kobayashi和Shi提出的,用它去處理在原假設(shè)下退化的密度函數(shù)。
基本形式:
其中:ut~ N(0,1);νt~N(0,1);|β|<1;ut與 νt相互獨(dú)立。可以求出 yt與 θt的條件密度函數(shù)
狀態(tài)變量的初始值θ0通常假設(shè)為服從,或者假設(shè)為一個固定值。前一個假設(shè)中狀態(tài)變量是穩(wěn)定的,后一種情況,θ0的密度的均值和方差均退化成零,可以看成是狄拉克·δ函數(shù)。在這2種情況下,都用h0(θ0)表示θ0的密度函數(shù)。
基本 SV 模型的密度函數(shù)可以通過 θ0,θ1,…,θT和 y1,…,yT的聯(lián)合密度函數(shù)表示出的 θ0,θ1,…,θT獲得,可以表示為
此后,為書寫上的方便,積分區(qū)間(-∞,+∞)可省略,用dθ代表n個參數(shù)的積分符號dθ0dθ1…dθT。
假設(shè)在收益方程中跳躍發(fā)生的概率為p,跳躍的大小服從獨(dú)立的正態(tài)分布,其中均值為0,方差為λ。跳躍變量et的分布是一個正態(tài)分布和一個0向量合成的,權(quán)重分別為p和1-p,其中0向量表示所有的點(diǎn)在0處都等于0的退化分布??梢詫懗?
其中,0<p<1,跳躍的發(fā)生和ut,νt是獨(dú)立的,這個模型叫做SVJ模型,由 Eraker等提出。用測量和變換方程表示成非線性狀態(tài)空間模型的形式
它們的條件密度函數(shù)可以寫成
那么,在收益方程中,帶有跳躍項(xiàng)的y1,…,yT的密度函數(shù)可表示為
在假設(shè)跳躍在收益和波動方程中同時發(fā)生的情況下,推導(dǎo)出一種新的拉格朗日乘子檢驗(yàn)法,并用該方法去檢驗(yàn)在波動方程中的跳躍項(xiàng)。原假設(shè)為在收益方程中含有跳躍項(xiàng)的SV模型,被擇假設(shè)為在收益和波動方程中含有相關(guān)的跳躍項(xiàng)的SV模型,后者記為SVCJ模型。
在波動和收益方程中,含有同期性和相關(guān)性的隨機(jī)波動率模型可以表示為
假設(shè)在波動和收益方程中跳躍ηt,et同時發(fā)生的概率為p,跳躍發(fā)生的條件是這些跳躍滿足二元正態(tài)分布,且ηt>0。在波動方程中跳躍項(xiàng)的邊緣分布是一個半正態(tài)分布,即正態(tài)分布的正向部分。按照傳統(tǒng)的假設(shè),波動方程中的跳躍項(xiàng)不能為負(fù),但本文做了一些改動,因?yàn)橛玫降哪P椭惺窃惹闆r的擴(kuò)展,所以波動方程中的跳躍項(xiàng)可以是負(fù)的。
波動和收益方程中跳躍有條件發(fā)生時的聯(lián)合概率密度函數(shù)為
其中:
ρ表示:2個跳躍項(xiàng)的相關(guān)性系數(shù),當(dāng)ρ<0時,波動方程中的跳躍伴隨著收益方程中的一個負(fù)的跳躍;當(dāng)ρ>0時,伴隨著收益方程中一個正的跳躍。在檢驗(yàn)統(tǒng)計(jì)量推導(dǎo)過程中,假設(shè)ρ≠0,因?yàn)槿籀?0,那么關(guān)于k的得分函數(shù)是恒等于0,就不能求出其檢驗(yàn)統(tǒng)計(jì)量。收益方程和波動方程中震動的相關(guān)性也就是所謂的“杠桿效應(yīng)”,在研究中是一個非常重要的問題。跳躍在t時刻發(fā)生時,θt和yt的條件聯(lián)合密度函數(shù)表示為
另一方面,在t時刻跳躍沒有發(fā)生時,θt和yt的條件聯(lián)合密度函數(shù)可以表示為
在收益和波動過程中含有相關(guān)跳躍項(xiàng)的y1,y2,…,yT的密度函數(shù)可以表示為
θt和yt的無條件聯(lián)合密度函數(shù)表示為
測量和轉(zhuǎn)移方程的密度函數(shù) g(yt|θt),h(θt|θt-1)可以分別由式(1)、(2)給出。
本文求SVJ模型在原假設(shè)下的LM檢驗(yàn)統(tǒng)計(jì)量,即為在式(6)中的模型對備擇假設(shè)含有未知參數(shù)α,β,σ2,λ,k,p,ρ的SVCJ模型。在原假設(shè) k=0下,相當(dāng)于 ηt≡0 。則,在原假設(shè)下,式(5)中的相關(guān)系數(shù) ρ是不可辨認(rèn)和不能估計(jì)的;但是,可以證明它對本文的LM檢驗(yàn)統(tǒng)計(jì)量是沒有影響的,因?yàn)樵贚M檢驗(yàn)統(tǒng)計(jì)量中ρ可以忽略,所以檢驗(yàn)統(tǒng)計(jì)量的分布對ρ來說是獨(dú)立的。下面計(jì)算一階導(dǎo)數(shù)。
第一,式(7)中已經(jīng)給出了SVCJ模型的似然函數(shù)的形式,可以得到
而跳躍項(xiàng)關(guān)于k的條件聯(lián)合密度函數(shù)的一階導(dǎo)數(shù)是
則
此后,除非另有說明,所有的參數(shù)都是在k=0或ηt=0的條件下估計(jì)??梢缘玫?/p>
那么,在k=0時,y1,…,yt似然函數(shù)的一階導(dǎo)數(shù)可以寫成
其中de1,…,deT,縮寫成de,它們的聯(lián)合密度函數(shù)定義為
和
式(8)的第1項(xiàng)與方程成正比,定義為SVJ模型的σ2的最大似然估計(jì)并讓它等于零,則
式(8)的第3項(xiàng)也為零,因?yàn)樗c方程成正比例,定義為SVJ模型中參數(shù)λ的最大似然估計(jì)。因此,通過判斷式(9)是否離零足夠遠(yuǎn),來檢驗(yàn)假設(shè)k=0。
在收益方程中,跳躍項(xiàng)的條件密度函數(shù)定義為
簡寫成
其中
從而用式(10)在式(9)中表示出et,最后得到
上面用到在θt,yt給定的條件下,et的條件期望值是mtw1t/w1t+w2t,通過在y1,…,yT數(shù)值給定的條件下θ0,θ1,…,θT的條件密度函數(shù)可以計(jì)算出這個積分值,密度函數(shù)為式(4)給出的狀態(tài)空間中SVJ模型代表的θ0,θ1,…,θT的平滑密度,這在Hamilton中已經(jīng)給出了證明。
在這個問題上,構(gòu)造了一個單邊的LM檢驗(yàn):k=0對k>0。起初,LM單邊檢驗(yàn)被定義為
其中S11是關(guān)于參數(shù)k,α,β,σ,λ,p的Fisher信息陣的逆的第(1,1)的元素。估計(jì)Fisher信息陣S也就是得分函數(shù)的標(biāo)準(zhǔn)誤差用的是BHHH方法,通過公式
得到。其中,條件對數(shù)似然函數(shù)的一階偏導(dǎo)數(shù)可以通過
求得。
例如,類似可以定義,sαt≡Sαt- Sα,t-1,其中 Sαt是在樣本量為 t下的關(guān)于的 α 得分函數(shù)在 k=0 時的估計(jì)。應(yīng)該注意的是,sαt,sβt,sσ2t,sλt,spt與 ρ都是獨(dú)立的,因?yàn)樗鼈兪?SVJ 模型的條件對數(shù)似然函數(shù)的一階導(dǎo)數(shù)。假設(shè)Sk0=0,從式(11)和(14)也可以得到,
BHHH方法適合本文的問題(BHHH方法在估計(jì)Fisher信息時僅要求求一階導(dǎo)數(shù)),因?yàn)樵赟VJ模型的估計(jì)中關(guān)于k的對數(shù)似然函數(shù)的二階導(dǎo)數(shù)是不可求的,下面證明可以構(gòu)造一個獨(dú)立于ρ且僅僅在寫法上與LM式(12)檢驗(yàn)不同的新的檢驗(yàn)方法。這兒,不能計(jì)算出LM檢驗(yàn)統(tǒng)計(jì)量,因?yàn)樵诹慵僭O(shè)下,ρ是無法辨認(rèn)的,因此得分函數(shù)式(11)和skt也是不可辨認(rèn)的。現(xiàn)在構(gòu)造一個新的檢驗(yàn)統(tǒng)計(jì)量,用
下面證明 LM=sign(ρ)LM*,其中,因?yàn)椋覐氖?14)得 skt=
首先,從式(13)、(15)可以得到
通常,假設(shè)ρ的符號為負(fù),因?yàn)橐粋€負(fù)的跳躍往往引起在波動上一個正的跳躍,那么拒絕域位就會于LM*分布的負(fù)的區(qū)域。這個單邊檢驗(yàn)統(tǒng)計(jì)量被認(rèn)為是漸進(jìn)服從N(0,1)分布。但是,極限分布仍然是未知的,因此,通常用蒙特卡羅實(shí)驗(yàn)進(jìn)行檢查。
計(jì)算實(shí)際樣本大小(n≥1 000)的檢驗(yàn)統(tǒng)計(jì)量需要很長的時間,由于時間關(guān)系,本文僅進(jìn)行一次小型的蒙特卡羅計(jì)算機(jī)仿真實(shí)驗(yàn)。樣本量的大小為300,在原假設(shè)下,迭代的次數(shù)為400,在備擇假設(shè)下次數(shù)為100。狀態(tài)變量 θ0的初始值定為0,在原假設(shè)和備擇假設(shè)下,設(shè)定參數(shù)(α,β,σ,p,λ)=(0.0,0.9,0.4,0.05,25.0),統(tǒng)計(jì)量LM*的正態(tài)性可以通過J-B統(tǒng)計(jì)量來檢驗(yàn)。
表1 在SVCJ過程中,LM*統(tǒng)計(jì)量在原假設(shè)和備擇假設(shè)下的分布和檢驗(yàn)?zāi)芰?/p>
在原假設(shè)下,J-B統(tǒng)計(jì)量分布近似于χ2(2)。當(dāng)顯著性水平為0.05時,正態(tài)性假設(shè)被拒絕。實(shí)驗(yàn)結(jié)果表明,LM*檢驗(yàn)統(tǒng)計(jì)量有很強(qiáng)的檢驗(yàn)?zāi)芰?,在備擇假設(shè)下,隨著ρ和k程度的增加,LM*檢驗(yàn)統(tǒng)計(jì)量的分布就會往負(fù)方向上偏移。
本文借助狄拉克·δ函數(shù)的思想,提出了在收益和波動中的跳躍項(xiàng)帶有同期性和相關(guān)性的隨機(jī)波動率過程的基礎(chǔ)上,檢驗(yàn)在波動方程中跳躍項(xiàng)存在性的拉格朗日乘子檢驗(yàn)統(tǒng)計(jì)量,但它是只針對帶有跳躍項(xiàng)的SV模型進(jìn)行檢驗(yàn),對于其他的SV模型能否使用,是今后的研究目標(biāo)。
[1]Berndt E,Hall R,Hauaman J.Estimation and inference in nonlinear structural models[J].Ann Econ Soc Meas,1974,3:653 -665.
[2]Davies R B.Hypothesis testing when a nuisance parameter is present only under the alternative[J].Biometrika,1977,64:247 -254.
[3]史秀紅.指數(shù)自回歸條件異方差模型的檢驗(yàn)[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2008(6):146-153.
[4]Eraker B,Johannes M,Poison N G.The impact of jumps in returns and volatility[J].J Finance,2003,53:1269 -1300.
[5]Khalaf L,Saphores J D,Bilodeau J F.Simulation-based exact jump tests in models with conditional heteroskedasticity[J].J Econ Dynam Control,2003,28:531 -553.
[6]Rogers A J.Modified Largrange Multiplier tests for Problems with one-sided alternative[J].Journal of Econometrics,1986,12:112-117.
[7]Watanable T.A Non-linear Filtering Approach to Stochastic Volatility Models with an Application to Daily Stock Returns[J].Journal of Applied Econometrics,1999,14:101 -121.
[8]Andersen T G,Hyung-Jin Chung,Bent E.fficient method of moments estimation of a stochastic volatility model:A Monte Carlo study[J].Journal of Econometrics,1999,91:61 -87.
[9]Pan J.The jump-risk premia implicit in options:Evidence from an integrated time-series study[J].J Finan Econ,2002,63:3 -50.