mcmc收敛性诊断是很重要的,模拟时绝不能简单通过大量迭代作为预迭代。在判断mcmc收敛性方面,w inbugs可通过对参数进行多层链式迭代分析来判断,即输入多组初始值,形成多层迭代链,当参数模型收敛,则迭代图形结果趋于重合。
本文对模型输入两组初始值进行迭代,进行2000次预迭代后,由图(2)我们可以看出两组初始值的迭代形成两条链的轨迹以及在收敛性诊断图中趋于重合,并且收敛性诊断图收敛与1,我们可以判断出马尔科夫链是收敛的。
因此,再进行10000次gibbs迭代。迭代从2001次至12000次的w inbugs运行得到模型参数的估计值ζbayes=0. 3267,为了比较我们同样也给出了基于极大似然估计的参数估计值,ζmle=0.3146。
2. 4 极值var和es的估计
将基于bayes和mle估计得到的pot模型参数的估计值代入公式(6),即可得到相应水平下的shci的var和es的估计值。
表(1)中,基于贝叶斯估计下的shci各置信水平下的var和es值均大于基于极大似然估计下的shci各置信水平下的var和es值,这是由于bayes方法把分布参数看作是随机变量,这实际上是在资产的收益率分布中增加了不确定性,因此计算出的风险值大于经典统计估计下的值。
3 结论
由于金融市场瞬息万变,离现在越久远的数据与当前市场情况的相关性越低,早期的数据只能用来说明历史问题,而根本不能用来描述现在,基于经典统计学的方法过分依赖历史数据,显然无法保证var模型的精度和有效性。而利用bayes估计计算var,将经验和历史资料与观测数据结合起来,使得投资者能够根据观测数据结合自己所掌握的经验信息对var模型进行调整,以期获得的var能够更准确地反映市场的风险状况,并据此做出正确的投资决策。
上一页 [1] [2]