科研之友
微信
新浪微博
Facebook
分享链接
摘要
条件自回归极差（CARR）模型是基于极差的波动模型，在实际中有广泛应用。本文从得分驱动时变参数模型的角度分析CARR模型的缺陷，发现基于极差条件分布设定的得分驱动更新项对分布误设不具有稳健性，同时忽略了当期样本信息。此外，CARR模型中波动的条件方差为常数，不能刻画波动自身的条件异方差特性（即所谓的“波动的波动”现象）。因此本文对CARR模型进行改进和拓展，用拟得分驱动（Quasi Score-driven）方法改进更新项，将极差当期信息引入波动模型，同时在模型中考虑“波动的波动”效应，提出拟得分驱动条件异方差自回归极差（QSD-CHARR）模型。对得分函数曲线和信息反应曲线的分析表明，QSD-CHARR模型的波动更新机制更为合理和稳健。蒙特卡洛模拟显示，与CARR模型相比，QSD-CHARR模型拟合能力显著提高。基于上证综指和标普500指数的实证分析表明，QSD-CHARR模型在波动拟合、预测上对CARR模型的改进具有统计显著性。
- 单位
