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。

一类GARCH-M模型的拟极大指数似然估计

由于可以用来刻画金融市场波动与收益之间的关系,GARCH-M模型自提出之后,就受到了广泛的研究.关于GARCH-M模型,传统的估计方法大多是基于拟极大似然估计.然而这类方法通常对矩条件的要求比较高,而实际数据未必能够满足这些条件.因此研究如何在较弱的矩条件下来估计GARCH-M模型就有一定的实际意义.本文研究了一类特殊的GARCHM模型.与传统GARCH-M模型不同的地方在于该类模型的条件方差决定于可观测的序列.通过拟极大指数似然估计的方法给出了模型参数的局部估计.在较弱的矩条件下给出了估计的渐近正态性证明.文章给出的模拟和实证研究表明该估计方法表现很好,有一定的应用价值.

基于高频数据的GARCH模型的伪极大指数似然估计

波动率替代模型能将日内高频数据嵌入到日间的GARCH模型的框架下,因此我们可以通过构造合适的波动率替代来改进GARCH模型的参数估计.但是高频数据往往伴随着市场微观结构的噪音.它们可能会带来巨大的估计偏差.本文对波动率替代模型提出了伪极大指数似然估计(QMELE).QMELE的渐近性质被给出.与传统的高斯伪极大似然估计(QMLE)相比,QMELE的渐近正态性只需要残差的二阶矩有限.数值模拟的结果显示QMELE有较高的精度和稳健性.