令Rt表示t-1时刻至t时刻n×1维列向量,Rt的期望值和条件方差分别记作μ=E(Rt)以及∑t=∑t|t-1=E[(Rt-μ)(Rt-μ)′|It-1],其中It-1代表t-1时刻可用的信息集。假设风险资产在t-1时刻的投资权重为n×1维列向量ωt-1,那么t-1时刻至t时刻投资组合权重Rp, t可以写作:
其中1代表n×1维,各个元素均取值为1的列向量,Rf为无风险收益率。
按照Markowitz(1952)的做法,假设投资者希望在给定的目标期望收益率约束下,最小化投资组合的方差,即投资者求解以下最优问题:
其中μp为目标期望收益率。
在期货的持有成本定价模型下,期货的收益率等于标的资产收益率减去无风险收益率。所以式(6.1)和(6.2)可以重新写作
其中μ和∑t分别代表期货合约收益率的均值和协方差矩阵。显然,问题的解可以写作
在式(6.5)中,我们有2个未知参数,即期望收益率μ以及条件协方差阵∑t需要估计。Chopra(1993)指出,在均值方差框架下,风险资产的权重对预期收益率的变动非常敏感。因而本章我们按照Fleming et al.(2001)的做法,首先令μ等于样本内收益率的无条件均值。在后续的分析中,我们基于bootstrapping方法考察参数μ的不确定性如何影响投资者的最优投资组合。
本章我们假设投资组合包含2个期货合约,我们采用以下4种方法对条件协方差矩阵∑t进行估计,包括静态模型、BEKK模型、BCJI模型以及BAJI模型。静态模型利用样本内数据估计样本协方差,即
其中T为样本内观测值数量。
BEKK模型假设收益率服从多元正态分布,其协方差阵是时变的∑t=Ht,其中Ht服从由式(6.7)给出的BEKK过程。以往文献,如Fleming et al.(2001)、Fleminga et al.(2003)以及Chou and Liu(2010)指出,根据波动率变动动态调整投资组合权重有利于提高投资组合的绩效。
BCJI模型设定收益率的冲击包含2个分量:一个分量服从正态分布,其协方差矩阵是时变的,且服从一个BEKK过程;另一个分量服从复合泊松分布,其中跳跃强度假设为不随时间变化的常数。
最后,与BCJI模型类似,BAJI模型设定收益率的冲击同样包含2个分量:一个分量服从均值为0的正态分布,其中协方差阵服从BEKK过程;另一个分量服从复合泊松分布,但允许跳跃强度是时变的。在下一节中,我们将详细介绍BAJI模型的设定,并讨论如何在BAJI模型下计算条件协方差矩阵。
由于我们主要关注的是条件协方差阵的建模,所以我们令rt=Rt-μ, rt=[r1,t, r2,t]′,其中ri, t表示第i个期货合约在时刻t减去样本均值的收益率。由于组合中包含2个风险资产,我们构建一个二元BAJI模型来刻画期货合约的动态过程。
类似于Maheu and McCurdy(2004)和Chan(2004),我们将rt分解为2个当期独立的部分:
其中εt=[ε1,t, ε2,t]′表示平缓的价格变动,而ξt=[ξ1,t, ξ2,t]′代表受突发事件影响产生的价格跳跃。假定εt服从均值为0的二元正态分布,其协方差Ht为时变的,服从一个BEKK(1, 1)过程
其中A和B为2个2×2的参数矩阵,C是下三角矩阵。
按照Chan(2004)的做法,我们假定跳跃冲击项ξt为补偿复合泊松过程,即
其中Jk=[J1,k, J2,k]′是一个跳跃幅度的二元随机向量,服从均值为θ=(θ1, θ2),协方差阵为Γ的二元正态分布,其中
我们假设当m≠n时,J1,m和J2,n是不相关的。随机过程n1,t和n2,t分别统计2个风险资产的跳跃次数。我们设定一个跳相关模型为n1, t=Nc, t+N1,t, n2, t=Nc, t+N2,t,其中Nc, t统计了2个资产的共同跳跃,N1,t, N2,t则分别统计2个资产各自的跳跃次数。假设Nc, t, N1,t和N2,t是相互独立的泊松过程,它们的跳跃强度是时变的,分别记作λc, t, λ1,t和λ2,t。所以2个资产的跳跃次数n1,t和n2,t都是泊松过程,它们的跳跃强度为
E(n1,t)=E(Nc, t+N1,t)=λc, t+λ1, t
E(n2,t)=E(Nc, t+N2,t)=λc, t+λ2, t
而λc, t、λ1,t和λ2,t的动态跳跃过程设定为
其中自回归系数ρM是衡量跳跃强度持续性的参数,能够刻画重大事件对金融市场的持续性影响。
跳跃冲击项ηM, t-1定义为
ηM, t-1=E(NM, t-1|It-1)-λM, t-1
其中E(NM, t-1|It-1)是基于信息集It-1对跳跃次数NM, t-1的事后估计,而λM, t-1=Et-2(NM, t-1)是基于信息集It-2对NM, t-1的事前预测。两者之差,即ξM, t-1,代表当t-1时刻新的信息可用时,跳跃次数NM, t-1估计值的更新。此外,Maheu and McCurdy(2004)指出,ξM, t-1是一个定义在信息集It上的鞅,并且满足当s≠t时有cov(ξM, s, ξM, t)=0。在设定一个动态过程的冲击项时,满足上述条件是一个非常好的性质。为了保证式(6.10)中的λM, t是正的,我们对式(6.10)中的参数设定了以下约束条件:λM, ρM, φM≥0,以及ρM≥φM。
我们采用极大似然估计法估计BAJI模型。模型的对数似然函数可以写作
其中q(rt|It-1)为rt的条件概率密度函数,其表达式为
给定Nc, t=i, N1, t=j, N2, t=k,由式(6.6), rt可以写作(www.daowen.com)
其中
所以rt的条件密度函数为
其中
实际上是错误的。
同时,预测概率Pr(NM, t=k|It-1),其中M=c,1, 2,有以下表达式
其中跳跃强度λM, t由式(6.10)给定。
最后,跳跃次数的后验期望E(NM, t|It)可以写作
由贝叶斯法则,后验概率Pr(NM, t=k|It)为
其中q(rt|NM, t=k, It-1)为给定NM, t=k条件下,rt的条件密度函数。当M=c时,我们有
另外,q(rt|N1, t=k, It-1)和q(rt|N2, t=k, It-1)可以通过类似的公式求得。
在式(6.6)中,由于εt和ξt是当期独立的,因而rt的条件协方差矩阵可以写作
其中Ht=var(εt|It-1)代表平缓冲击的条件协方差,Kt=var(ξt|It-1)代表跳跃冲击的条件协方差。显然,Ht可以通过式(6.7)计算。以下命题给出Kt的计算方法。
命题6.1 跳跃冲击ξt=[ξ1,t, ξ2,t]′的条件协方差矩阵为
其中
var(ξ1, t|It-1)=(λc, t+λ1,t)(θ21+δ1)
var(ξ2, t|It-1)=(λc, t+λ2,t)(θ22+δ2)
这里,Nm=min(N1,t, N2,t),它的条件期望E(Nm)可以通过下式求得
其中
Pr(Nm=k)=Pr(N1, t=k)Pr(N2, t>k)+Pr(N2, t=k)Pr(N1, t>k)+Pr(N1, t=k)Pr(N2, t=k).
上式中,对于i=1, 2,我们有
证明:由式(6.8)(6.9), ξ1,t和ξ2,t都为服从补偿泊松分布的随机变量,所以它们的条件方差可以写作
由全方差法则,我们有
由于当i≠k时cov(J1,i, J2,k)=0,所以上式的第一项可以写为
其中Nm=min(N1,t, N2,t)。类似的,由于Nc, t, N1,t和N2,t相互独立,第二项可以通过以下公式计算
=λc,t|t-1θ1θ2.
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。