Bảng 2 trình bày tuyến tính và phi tuyến tính GARCH tham số estimations cho tương lai Aus-tralian 3 năm T-trái phiếu trở lại loạt; z-số liệu thống kê trong par-luận án. Tất cả các hệ số α và β cho phương sai có điều kiện trong tuyến tính GARCH vàphi tuyến tính GARCH mô hình được tích cực và ý nghĩa thống kê tại 1%cấp độ. Điều này cho thấy rằng phương sai cụm cho tương lai Úc ba năm T-trái phiếu trở lại loạt tồn tại. Nhìn chung, bay hơi chấn động xuất hiện liên tục cho cácTương lai ba năm T-trái phiếu trở lại loạt α + β là gần một cho tất cả các mô hình này.Chúng tôi cũng đặt lôgarit tự nhiên chênh lệch có điều kiện vào trung bìnhphương trình tuyến tính và phi tuyến tính GARCH(1,1) mô hình estimations. Thecoefficients (δ) của logarithm phương sai có điều kiện trong phương trình có nghĩa là choCác mô hình kiến trúc ở M là ý nghĩa thống kê ở mức 10% cho cáctuyến tính GARCH mô hình và GARCH ngưỡng mẫu và ở mức 5% cho mũ GARCH mô hình. Điều này cho thấy nó là cần thiết để đưa phương sai có điều kiện vào phương trình có nghĩa là cho các mô hình này. Các mô hình ARCH-M thường được áp dụng trong thời gian tài chính loạt khi lợi nhuận dự kiến trên một tài sản có liên quan đến rủi ro tài sản dự kiến.Tiếp theo các kết quả từ EGARCH(1,1) và EGARCH (1,1)-M mô hình được coi là. Bên trái của phương trình (6) có một yếu tố đó là rithm loga phương sai có điều kiện, có thể được sử dụng để xác định một tác dụng đòn bẩy. Nelson (1991) cho thấy rằng sự bất đối xứng hoặc tận dụng hiệu quả là hội chợ triển lãm-nential và dự báo của phương sai có điều kiện được đảm bảo là không âm. Theo báo cáo của Nelson (1991) và Schwert (1990), Hệ số này là thường tiêu cực, có nghĩa là tích cực trở lại chấn động thường tạo ra ít biến động hơn tiêu cực chấn động trở lại, tất cả khác là như nhau. Phù hợp vớikết quả trước đó, tham số γ là tiêu cực và ý nghĩa thống kê tại cácmức 5% cho các mô hình EGARCH(1,1) và EGARCH (1,1)-M model. Đâychỉ ra rằng hiệu ứng đòn bẩy (không đối xứng) trong tương lai Úc ba năm T-trái phiếu trả về loạt tồn tại trong giai đoạn mẫu.Ở ngưỡng ARCH mô hình đại diện, tin tốt (εt > 0) có một tác động của α trên bay hơi và tin tức xấu (εt < 0) có một tác động của (α + γ) trên bay hơi.Nếu γ ≠ 0 tác động tin tức là không đối xứng. Từ bảng 2, γ tham số là tích cựcvà ý nghĩa thống kê ở cấp độ 1% cho cả hai TARCH(1,1) và cácTARCG (1,1)-mô hình M. Như chúng tôi cũng quan sát thấy một yếu tố quan trọng γ khisử dụng mô hình EGARCH(1,1), kết quả từ TARCH(1,1) mô hình có thể một lần nữakiểm chứng rằng phi tuyến tính GARCH mô hình thích hợp làm người mẫu biến động trở lại cho tương lai Úc ba năm T-trái phiếu. Vì vậy, chúng tôi có thể kết luận rằng một phi tuyến tính mô hình ngưỡng ARCH mô hình có thể thích hợp cho ba năm T-Bond tương lai biến động trở lại. Kết quả của chúng tôi cũng đề nghị rằng bằng cách sử dụng một mô hình GARCH phi tuyến tính có thể đưa ra cái nhìn sâu sắc bổ sung liên quan đến biến động phản ứng với tin tốt và tin xấu.Chúng tôi đồ thị đường cong tác động ước tính tin tức từ EGARCH (1,1) - M và TARCH (1,1) - M mô hình cho tương lai ba năm T-trái phiếu trở lại để xem những mô hình là chính xác hơn. Bảng A và B trong hình 3 minh họa cho các đường cong tác động tin tức từ EGARCH (1,1) - M và TARCH (1,1) - M mô hình estimations cho ba năm T-Bond tương lai hợp đồng tương ứng.Bảng A chỉ ra rằng các đường cong tác động tin tức từ EGARCH (1,1)-M là không đối xứng cho tin tốt và tin xấu. Nó cho thấy rằng chấn động trở lại tiêu cực (tức là tin xấu) có tác động lớn hơn hơn tích cực chấn động trở lại (tức là tin tốt) cho tương lai ba năm T-trái phiếu trở lại bay hơi, như độ dốc của đường cong tác động là dốc hơn khi z là ít hơn số không (tin xấu), hơn khi z là lớn hơn số không (tin tức tốt). Tuy nhiên, đường cong tác động tin tức từ các mô hình TARCH(1,1) - M trong bảng B là gần như đối xứng cho tin tốt và tin xấu. Làm thế nào - bao giờ hết, chúng ta không thể rút ra một kết luận dựa trên các đo lường chất lượng này. Chúng tôi cần thêm thống kê thử nghiệm để xác định mô hình tốt nhất giải thích ba năm, mô hình T-Bond tương lai trở lại bay hơi.Bây giờ chúng tôi chính thức thực hiện các xét nghiệm chẩn đoán đã đề cập trước đó để ngăn chặn mỏ mô hình mang lại kết quả tốt nhất. Bảng 3 báo cáo kết quả của c-nostic thử nghiệm của tuyến tính và phi tuyến tính mô hình GARCH được sử dụng để đo ba năm T-Bond tương lai trở lại bay hơi.Trong bảng 3, các tham số tương ứng với S − là ý nghĩa thống kêở mức 5% ngoại trừ các mô hình GARCH(1,1) tuyến tính. Các tham số cor-đáp ứng để S − ε là ý nghĩa thống kê ở cấp độ 1% cho tất cả phi tuyến tínhGARCH mô hình và ở mức 5% cho tất cả các mô hình tuyến tính. Các tham sốtương ứng với S + ε là ý nghĩa thống kê ở mức 5% cho tất cả khôngtuyến tính mô hình, nhưng là không đáng kể cho tất cả các mô hình tuyến tính. Đây là những phù hợpvới giả thuyết trong estimations mô hình của chúng tôi rằng tin tức xấu gây ra một mức độ cao hơn bay hơi hơn tin tốt. Các kết quả cũng đề nghị rằng tin tức tốt lớn và nhỏ có tác động khác nhau trên bay hơi. Nói chung, chúng tôi có thể kết luận rằng EGARCH (1,1) - M hoặc ngưỡng ARCH (1,1) - M mô hình tốt hơn tất cả các mô hình khác trong việc chụp hành vi động biến động trở lại đối với hợp đồng tương lai Austral - ian ba năm T-trái phiếu.Sơ lược về số liệu thống kê của các ước tính có điều kiện phương sai được trình bày trong bảng 4. Nó báo cáo phương sai có điều kiện hàng ngày từ loại khác nhau của mô hình GARCH ước tính trong bảng 2.Phương sai có điều kiện từ các kiến trúc ngưỡng (1,1)-M model, như trong bảng 4, sản xuất các kết quả tốt nhất trong số các mô hình cạnh tranh vì nó có các biến thể thấp nhất được đo bằng độ lệch chuẩn. Tìm kiếm này là phù hợp với ước lượng mô hìnhBảng 5 trình bày kết quả từ các out của mẫu dự báo lỗi thống kê bằng cách sử dụng hai lần thử nghiệm D-M đề nghị bởi Harvey et al. (1997, 1999).Thống kê hiệu suất dự báo đầu tiên là kiểm tra D-M lần đề nghị bởi Harvey et al. (1997), thứ hai là kiểm tra D-M sửa đổi điều chỉnh hiệu ứng vòm như đề xuất bởi Harvey et al. (1999). Từ bàn 5 chúng tôi con-clude ngưỡng kiến trúc (1,1)-M mô hình sản lượng thấp nhất dự báolỗi của bất kỳ của các mô hình cạnh tranh. Điều này là phù hợp với những gì chúng tôi tìm thấy trong các mô hình estimations và xét nghiệm chẩn đoán
đang được dịch, vui lòng đợi..