2011年:资产收益率的新条件异方差模型与BNC-MN分布
147 浏览量
更新于2024-08-14
收藏 355KB PDF 举报
在2011年11月发表于《四川大学学报(自然科学版)》第48卷第6期的论文《资产收益率时间序列的条件异方差模型新探》中,作者苟中华、张琳和唐亚勇探讨了现代金融风险管理中条件异方差模型的重要应用。论文提出了一种新颖的条件异方差模型,该模型以"正态分布的双变量连续二元正态混合(BNC-MN)分布"为核心,旨在更精确地拟合资产收益率的时间序列数据。
BNC-MN分布的引入使得模型能够捕捉资产收益率序列的多种关键特征,包括非对称性(即收益率分布不对称,反映市场偏斜)、尖峰厚尾(描述收益率的极端值分布,暗示市场波动的不确定性),波动群聚(即收益率在特定时间段内的聚集性,可能与市场心理和事件相关)以及Black金融杠杆效应(反映金融市场的杠杆行为对风险的影响)。这些特征在实际风险管理中至关重要,因为它们有助于理解和预测市场动态,以便做出更明智的投资和决策。
论文进一步强调,通过这种新的条件异方差模型,经济学家可以提供对这些现象更深入的经济学解释,从而质疑或验证广义自回归条件异方差模型(GARCH)在模拟资产收益率序列方面的有效性。GARCH模型作为经典的异方差性处理工具,其假设条件的适用性在现实金融市场中可能会受到这类新型模型的挑战。
这篇论文不仅提升了金融时间序列分析的理论框架,还为理解资产收益率的复杂性和风险特性提供了新的方法论工具。这对于金融机构、投资者和政策制定者来说,无疑是一个有价值的贡献,有助于他们更好地管理金融风险并制定适应市场变化的策略。
2024-09-26 上传
2024-09-26 上传
2024-09-26 上传
2024-09-26 上传
2024-09-26 上传
weixin_38545517
- 粉丝: 2
- 资源: 957
最新资源
- 达梦数据库DM8手册大全:安装、管理与优化指南
- Python Matplotlib库文件发布:适用于macOS的最新版本
- QPixmap小demo教程:图片处理功能实现
- YOLOv8与深度学习在玉米叶病识别中的应用笔记
- 扫码购物商城小程序源码设计与应用
- 划词小窗搜索插件:个性化搜索引擎与快速启动
- C#语言结合OpenVINO实现YOLO模型部署及同步推理
- AutoTorch最新包文件下载指南
- 小程序源码‘有调’功能实现与设计课程作品解析
- Redis 7.2.3离线安装包快速指南
- AutoTorch-0.0.2b版本安装教程与文件概述
- 蚁群算法在MATLAB上的实现与应用
- Quicker Connector: 浏览器自动化插件升级指南
- 京东白条小程序源码解析与实践
- JAVA公交搜索系统:前端到后端的完整解决方案
- C语言实现50行代码爱心电子相册教程