基于高频数据PGARCH模型参数估计

本文使用日内高频数据对PGARCH模型进行估计:根据日内高频数据构造的波动率代表,探究PGARCH波动率模型的拟极大似然估计(QMLE)及其渐近分布。模拟研究和实证分析表明:基于高频数据的QMLE可以减小参数估计的方差,有效地提高估计效率。

基于高频数据的PGARCH模型的拟极大指数似然估计

作为GARCH族模型的重要拓展模型之一,PGARCH模型的估计往往采用基于日度数据的拟极大似然估计方法。为了探究高频信息对PGARCH模型估计的影响,基于Visser (2011)的研究,本文使用波动率代表模型来整合高频数据,并使用拟极大指数似然估计方法(QMELE)对PGARCH模型进行估计,同时探究了拟极大指数似然估计的渐近性质和模型估计效率的评判标准。模拟研究和实证分析证实,基于高频数据的拟极大指数似然估计有效地提升了PGARCH模型的参数估计精度,这说明基于高频数据的拟极大似然指数估计具有一定的应用价值。

利用PGARCH-M模型估计风险值

建立一种新的度量风险值(VaR)模型PGARCH-M(PowerGARCH-M),并利用该模型,通过对工业指数和地产指数的VaR计算,得出基于GED分布的PGARCH-M模型估计VaR极端值更为精确,优于基于正态分布的PGARCH-M模型和PGARCH模型。

高频数据下基于PGARCH模型的VaR估计方法及应用

高频数据在风险价值VaR度量和预测方面的价值日益凸显,文中基于高频数据为嵌入日内收益过程的PGARCH模型提出一类稳健M估计,同时给出相应的VaR估计方法,并基于沪深300指数和恒生指数的5分钟高频数据对时间内和时间外的VaR进行估计预测.实证结果表明,高频数据下PGARCH模型的M估计所提供的VaR估计方法可更加准确的预测VaR,预测结果均优于日间低频数据的估计结果和基于高频数据的QMLE估计结果,该方法可以很好地应用于风险管理中.

M-estimation for Periodic GARCH Model with High-frequency Data

This paper studies an M-estimator of a proxy periodic GARCH （p, q） scaling model and establishes its consistency and asymptotic normality. Simulation studies are carried out to assess the performance of the estimator. The numerical results show that our M-estimator is more efficient and robust than other estimators without the use of high-frequency data.