论文部分内容阅读
在波动率模型中,随机波动(Stochastic Volatility,SV)模型有着广泛的应用。SV模型引入随机变量,因而其对波动率预测能力以及实际金融市场的应用都比其他波动率模型更有优势。由于SV模型中包含着潜在变量,似然函数较难得到,因而其估计参数不能使用极大似然法直接求解,于是衍生了多类研究方法。MCMC算法正是其中一种方法。MCMC算法的优点在于其不受维数的影响,而且其估计参数是建立在真实的似然函数从而保证估计结果的精确。由于MCMC算法容易简单实现,这类方法也应用到了SV模型的参数估计中去。以小时、分钟甚至秒为单位的高频金融数据的建模应用越来越广泛,在估计问题上,如何兼顾精确性与收敛速度是一个需要解决的问题,从而需要对传统的MCMC算法进行改进势在必行。对于改进MCMC算法,通常采用两种方式进行。一种是通过滤波的方法对模型的状态空间进行变换,通过空间变换能够减小模型的自相关性,从而提高MCMC方法的计算效率。另一种则通过对MCMC算法抽样本身进行改进,如加快采样速度,改进采样方式等。本文重点对MCMC算法进行介绍,并介绍一种易于实现的改进MCMC算法--并行化MCMC(parallelising Markov chain Monte Carlo)算法。本文结合小波滤波器与并行MCMC算法共同对SV模型进行参数估计。并行MCMC算法优点在于其对于不同性质参数,采取了不同的并行化机制,直接优化了抽样过程,而且能够简单的编程实现。本文采用小波滤波器与并行MCMC算法估计SV模型参数,采用db小波滤波器能够将金融数据中高频的噪声进行过滤,保留蕴含真实信息的部分,滤波后的信号降低了自相关性,一定程度上可以减少MCMC算法抽样的时间。本文选取上证指数2010年1月4日至2018年12月28日之间的数据,分别采用传统MCMC算法以及并行化MCMC算法估计SV模型参数。通过对比估计后参数的敛散性、参数估计结果和估计精度、模拟迭代速度,对两类方法进行比较。通过实证结果发现,通过小波滤波器的处理之后,股票收益率序列相比去噪前波动规律更明显,利用并行化MCMC算法估计模型参数发现,并行MCMC算法估计结果与传统MCMC算法的估计结果一致,且均具有很高的精确度。而在运算速度上,并行MCMC算法的运算速度是传统MCMC算法的数倍,其加速效率与模型的结构、数据量的大小以及Markov链的数目有关。