由以上估计的结果可知,正态分布下的AR(1)-GARCH(1,1)模型的a1系数的拟合显著性不高,而偏t分布下的AR(1)-APARCH(1,1)模型的a1系数,ω系数和峰度系数的拟合显著性较低。但是ARCH效应检验表明,两个模型的标准化残差已经没有ARCH效应;而Ljung-BoxQ检验表明,两个模型的标准化残差之间没有相关性。综上所述,GARCH族模型很好地拟合了跌幅序列的波动数据。
(三)动态DaR估计及基于DaR的成功率检验
为了准确地判断GARCH簇模型估计的DaR有效性如何,我们进行了成功率检验,即通过比较模型计算的DaR值超过实际DD(t)值的频率与对应的置信水平是否接近或相等。表3.3.1给出了基于两个GARCH模型的DaR成功率检验。
表3.3.1动态DaR成功率检验
从表3.3.1中得知,基于AR(1)-APARCH(1,1)-sstd模型计算的DaR值超过实际DD(t)值的频率比基于AR(1)-GARCH(1,1)-norm模型计算的DaR值超过实际DD(t)值的频率更加接近实际置信水平,即基于偏t分布的AR(1)-APARCH(1,1)模型测算的DaR更能准确地反应市场真实的跌幅风险。
(四)预测未来跌幅风险
我们可以利用AR(1)-APARCH(1,1)-sstd模型预测未来风险跌幅DaR的波动以及对应DaR值。表3.4.1则给出了不同置信度下未来5天的DaR值。
表3.4.1基于AR(1)-APARCH(1,1)-sstd模型的DaR预测
四、结论分析
本文利用GARCH族模型对北美天然气价格的波动进行建模,并给出了现在常用于欧美市场的一种新的风险度量方法——风险跌幅DaR,其提供了一条线索,如果跌幅较大,则返回原先状态的难度增大,甚至不可逆转,这对投资者进行投资分析非常重要。通过对模型的分析,基于偏t分布下的AR(1)-APARCH(1,1)模型由于可以较为准确地刻画出收益率跌幅序列分布的非对称性以及波动正负的非对称性,准确拟合数据的同时还能表现出北美天然气市场波动的集群,持久性以及非对称性等特点,模型测算的DaR值也准确地表现出北美天然气收益率的实际跌幅风险。
参考文献
[1]Ferderer,J.Oilpricevolatilityandthemacroeconomy[J].JournalofMacroeconomics,1996,18(1),126.
[2]Cabedo,J.D,oya,I.Estimatingoilprice‘valueatrisk’usingthehistoricalsimulationapproach[J].EnergyEconomics,2003(25)239–253.
[3]BaliTG,MoH,TangY.TheroleofautoregressiveconditionalskewnessandkurtosisintheestimationofconditionalVaR[J].JournalofBanking&Finance,2008,32(2):269-282.
[4]TheodossiouP.FinancialdataandtheskewedgeneralizedTdistribution[J].ManagementScience,1998,44(12):1650-1661.
[5]BollerlevT.GeneralizedAutoregressiveConditionaHeteroskedasticity[J].JournalofEconometrics,1986(31):307-327.
[6]PerrySadorsky.Modelingandforecastingpetroleumfuturesvolatility[J].EnergyEconomics,2006(28):467-488.
[7]张燃,李念.基于VaR-GARCH模型的开放式基金风险估计[J].金融教学与研究,2012(4):53-56.
[8]徐建军.GARCH簇模型在汇率波动分析中的应用[J].经济师,2011(5):189-190.
[9]林伯强,李江龙.原油价格波动性及国内外传染效应[J].金融研究,2012(11):1-15.
[10]耿志祥,王传玉,林建忠.金融资产厚尾分布及常用的风险度量——α-stable分布下的MDD、DaR和CDaR[J].数量经济技术经济研究,2013(2):49-64.
|