网站原创作者简介：张睿（1982.05-）,籍贯：四川成都,民族：汉,西南财经大学统计学院,硕士研究生,研究方向：金融数量分析.
摘 要 ：本文分别利用两阶段最小二乘和LASSO对CKLS模型进行参数选择,通过结果的比较可以发现,LASSO的实证结果更加符合实际使用的要求.
关 键 词 ：利率模型；两阶段最小二乘；变量选择
随机利率模型是很多金融资产管理定价的基础,30年来,利率模型的建模形成了一个庞大的模型族.所以,我们在实际应用参数利率模型的时候存在模型设定分析的问题.计量中的大量模型设定分析的方法都可以应用到利率模型选择上来.然而实际使用中,我们常常希望有一个简洁快速的方法马上得出结论（哪怕只是初步的结论）.LASSO是Tibshirani（1996）提出的一种变量选择方法.它具有高效快捷的特点,忽略到一些数学背景之后,他实际上也非常时候实际部门使用.考虑到Ait-Sahalia的Hermite展开式比较好的解决了一维利率模型的参数估计问题,但是他在实际使用过程中比较复杂,因而使用的较少这个背景,就更适合用LASSO对中国的实际数据做一些应用.
| 有关论文范文主题研究: | 关于西南财经大学的论文范文资料 | 大学生适用: | 电大毕业论文、学院论文 |
|---|---|---|---|
| 相关参考文献下载数量: | 29 | 写作解决问题: | 如何怎么撰写 |
| 毕业论文开题报告: | 标准论文格式、论文选题 | 职称论文适用: | 刊物发表、初级职称 |
| 所属大学生专业类别: | 如何怎么撰写 | 论文题目推荐度: | 免费选题 |
通常的时间序列模型设定运用AIC方法.但是,AIC依据精确地似然函数.然而,在扩散过程的古籍中只有很少的模型有显式的转移密度表达式,所以精确地似然函数得不到,这就降低了AIC的作用.
Tibshirani（1996）提出了Lasso（The Least Absolute Shrinkage and Selectionator operator） 算法.这种算法通过构造一个惩罚函数获得一个精炼的模型；通过最终确定一些指标的系数为零,LASSO算法实现了指标集合精简的目的.这是一种处理具有复 共线性数据的有偏估计.Lasso的基本思想是在回归系数的绝对值之和小于一个常数的约束条件下,使残差平方和最小化,从而能够产生某些严格等于0的回归 系数,得到解释力较强的模型.此外LASSO对似然函数的要求不高,因而对比AIC在利率模型的设定上有一定的优点.在运用LASSO在扩散模型的时候需要一些额外的注意,因为漂移项和扩散项的收敛速度不一样.QMLE的估计使用最为简单的Euler法,更精细的研究可以使用模拟似然函数,GMM,估计方程等方法,当着不是本文的重点.我们使用R package （yuima）可以较好的得到这个估计.在使用的时候我们第一次使用的惩罚项的值为1,第二次使用10.得到总结
本文通过比较分析,LASSO的效果优于两阶段最小二乘,LASSO在多元时间序列数据中更有用.他可以作为实际使用利率模型设定分析的一种备用方法而得到应用,对比各种似然比检验,使用起来也比较简便 .在R语言的yuima包中可以做到LASSO模型设定分析.（作者单位：西南财经大学统计学院）