江紅莉，何建敏，莊亞明

（1.江蘇大學(xué) 財(cái)經(jīng)學(xué)院，江蘇 鎮(zhèn)江 212013； 2.東南大學(xué) 經(jīng)管學(xué)院，江蘇 南京 211189）＊

一、引 言

為了探索社?；鸨Ｖ翟鲋档那?，2000年黨中央、國(guó)務(wù)院決定建立“全國(guó)社會(huì)保障基金”，同時(shí)設(shè)立“全國(guó)社會(huì)保障基金理事會(huì)”（簡(jiǎn)稱(chēng)社?；饡?huì)），負(fù)責(zé)管理運(yùn)營(yíng)全國(guó)社會(huì)保障基金（簡(jiǎn)稱(chēng)全國(guó)社?；穑?。按照《全國(guó)社會(huì)保障基金投資管理暫行辦法》的規(guī)定，社?；饡?huì)直接運(yùn)作的社會(huì)保障基金的投資范圍限于銀行存款、在一級(jí)市場(chǎng)購(gòu)買(mǎi)國(guó)債，其他投資需委托社會(huì)保障基金投資管理人管理和運(yùn)作并委托社會(huì)保障基金托管人托管。2010年全國(guó)社?；鹂傤~為23 886億元，近9成存入銀行，2011年7月CPI增幅已經(jīng)達(dá)到了6.5%，幾乎是一年期利率的兩倍，全國(guó)社?；鹈媾R著巨大的貶值風(fēng)險(xiǎn)。在高通脹的背景下，如何實(shí)現(xiàn)全國(guó)社保基金的保值增值？是否能讓其大規(guī)模地進(jìn)入金融市場(chǎng)？測(cè)度社保基金投資于金融市場(chǎng)的風(fēng)險(xiǎn)是回答這一問(wèn)題的關(guān)鍵，而社?；鹗找媛实牟▌?dòng)則是風(fēng)險(xiǎn)測(cè)度的關(guān)鍵。

資產(chǎn)收益波動(dòng)在大量的金融實(shí)踐中扮演著關(guān)鍵性角色，它是資本資產(chǎn)定價(jià)、風(fēng)險(xiǎn)管理和投資組合理論的核心變量。ARCH（GARCH）模型和SV（Stochastic Volatility）模型是波動(dòng)建模的常用模型，SV模型中的方差由一個(gè)不可觀測(cè)的隨機(jī)過(guò)程決定，因此，它被認(rèn)為更加適合金融領(lǐng)域的實(shí)際研究［1，2］。金融市場(chǎng)經(jīng)常受到外在因素（如重要消息或突發(fā)事件）的沖擊，資產(chǎn)收益率就會(huì)在短時(shí)間內(nèi)出現(xiàn)大幅波動(dòng)，即所謂的“跳躍”現(xiàn)象。Chib等（2002）提出了收益率方程中帶有協(xié)變量（covariate）的跳躍厚尾SV模型［3］。Berg等（2004）基于DIC準(zhǔn)則比較了各種SV模型的建模效果，發(fā)現(xiàn)跳躍SV模型對(duì)實(shí)際數(shù)據(jù)擬合較好［4］。Nakajima（2009）和Kobayashi（2009）也在SV模型中加入了跳躍過(guò)程，以增強(qiáng)SV模型對(duì)于金融市場(chǎng)中突發(fā)事件的解釋能力［5，6］。Todorov（2011）研究了時(shí)變的跳躍SV模型，實(shí)證發(fā)現(xiàn)其建模效果優(yōu)于非時(shí)變跳躍SV模型［7］。國(guó)內(nèi)也有學(xué)者對(duì)跳躍SV模型進(jìn)行了研究，周彥等（2007）研究了跳躍連續(xù)時(shí)間SV模型［8］；王春峰等（2009）分析了連續(xù)時(shí)間內(nèi)，收益與波動(dòng)過(guò)程存在相關(guān)無(wú)限活躍列維跳躍的隨機(jī)波動(dòng)模型以及仿射跳躍擴(kuò)散模型（AJD）［9］；姚寧和毛甜甜（2009）基于跳躍擴(kuò)散模型研究了中國(guó)股市和期市風(fēng)險(xiǎn)關(guān)聯(lián)性［10］；朱慧明等（2010）提出了基于狀態(tài)空間的貝葉斯跳躍厚尾金融隨機(jī)波動(dòng)模型［1，2］；高延巡等（2010）基于雙跳躍隨機(jī)波動(dòng)模型研究了股市波動(dòng)跳躍行為［11］。本文將進(jìn)一步對(duì)跳躍的SV模型進(jìn)行擴(kuò)展，在傳統(tǒng)的跳躍SV模型的對(duì)數(shù)波動(dòng)率方程中考慮協(xié)變量，設(shè)計(jì)該模型參數(shù)估計(jì)的MCMC算法，并基于該模型實(shí)證研究全國(guó)社保基金波動(dòng)的特征。

二、跳躍SV的建模分析

（一）擴(kuò)展的跳躍SV模型

傳統(tǒng)的跳躍SV模型為：

其中，yt為t時(shí)刻的觀測(cè)變量，表示第t日去掉均值后的收益；θt為潛在波動(dòng)的對(duì)數(shù)形式；｛εt｝和｛ηt｝是相互獨(dú)立的序列，均不可觀測(cè)；μ為波動(dòng)方程的常數(shù)項(xiàng)，表示對(duì)數(shù)波動(dòng)率θt的均值；φ為波動(dòng)的持續(xù)性參數(shù)，對(duì)于｜φ｜＜1，SV模型是協(xié)方差平穩(wěn)的；τ為對(duì)數(shù)波動(dòng)θt的標(biāo)準(zhǔn)差。

stqt表示一個(gè)跳躍過(guò)程，st表示跳躍幅度，qt表示跳躍的頻率。其中，qt服從參數(shù)為κ（0＜κ＜1）的伯努利分布b（1，κ），即qt＝1的概率為κ，qt＝0的概率為1－κ。根據(jù)Berg等（2004）［3］，跳躍幅度st滿足：ln（1＋st）～N（－δ2/2，δ2）。

全國(guó)社?；鹨晕型顿Y的模式在金融市場(chǎng)上投資，截至到2010年，共有16家基金管理公司和2家券商作為全國(guó)社?；鸬膰?guó)內(nèi)投資管理人。這就意味著全國(guó)社?；鹜顿Y可能會(huì)受基金管理公司旗下基金產(chǎn)品投資的影響。因此，將經(jīng)典的跳躍SV模型進(jìn)行擴(kuò)展，即在式（1.2）中增加這16家基金管理公司旗下基金產(chǎn)品收益率的對(duì)數(shù)ARCH項(xiàng)，以更準(zhǔn)確地刻畫(huà)全國(guó)社保基金收益率的波動(dòng)特征。

但是，這16家基金管理公司，每家基金管理公司旗下的產(chǎn)品種類(lèi)、數(shù)量、投資風(fēng)格都不太一樣，無(wú)法同時(shí)考慮每一家基金管理公司旗下的所有基金產(chǎn)品?；诤?jiǎn)單但不失代表性的原則，用基金重倉(cāng)指數(shù)代表這16家基金管理公司旗下的基金產(chǎn)品，進(jìn)而研究基金管理公司對(duì)全國(guó)社保基金收益率波動(dòng)的影響。擴(kuò)展的跳躍SV模型如下：

（二）擴(kuò)展跳躍SV模型的MCMC算法

令γt＝ln（1＋st），得st＝exp（γt）－1，跳躍過(guò)程stqt可以替換為（exp（γt）－1）qt，于是式（2.1）和（2.2）可表示成：

如果對(duì)式（3）（觀測(cè)方程）進(jìn)行移項(xiàng)，并在等式兩邊取對(duì)數(shù)，則有：

式（4）表示觀測(cè)方程，式（3）表示狀態(tài)方程。~yt為觀測(cè)變量，θt為不可觀測(cè)的狀態(tài)變量，ξt和ηt為相互獨(dú)立的隨機(jī)擾動(dòng)項(xiàng)。將跳躍厚尾SV模型表示為線性狀態(tài)空間模型的形式，便于在狀態(tài)空間模型框架下利用Kalman濾波得到θ｛｝t的最小均方誤差無(wú)偏估計(jì)。

在實(shí)際應(yīng)用中，yt表示金融資產(chǎn)的對(duì)數(shù)收益率，所以，跳躍幅度st是非常小的，通常用10－2來(lái)度量，由此，exp（γt）－1近似等于γt，stqt就可以表示為γtqt。此處，stqt的近似對(duì)于跳躍SV模型的MCMC算法設(shè)計(jì)是非常重要的，因?yàn)樵趯?duì)跳躍尺度參數(shù)δ進(jìn)行抽樣時(shí)，可以由條件密度進(jìn)行。

關(guān)于γt求積分，得到條件密度函數(shù)由此，從后驗(yàn)分布＋exp（θt））中抽取δ變得可行，其中π（δ）表示δ的先驗(yàn)分布。

通過(guò)式（3）和（4）構(gòu)成的線性狀態(tài)空間模型以及stqt的近似處理，可以得到擴(kuò)展跳躍SV模型參數(shù)估計(jì)的MCMC算法。具體步驟如下：

步驟6：用前一步迭代更新的樣本作為下一步迭代的初始值，重復(fù)步驟2～6。

（三）模型的選擇：貝葉斯因子

貝葉斯因子最初應(yīng)用于假設(shè)檢驗(yàn)范疇，后由Kass和Raftery等（1998）［12］引入到模型比較領(lǐng)域，它定義為兩個(gè)模型的邊緣似然函數(shù)之比，用公式表示如下：

其中，B12表示模型m1對(duì)模型m2的貝葉斯因子，f（y｜m1）和f（y｜m2）分別表示模型m1和m2模型 的邊緣似然函數(shù)。邊緣似然函數(shù)f（y｜m），m∈｛m1，m2｝，可以表示為：

其中，f（y｜Θm，m）表示參數(shù)為Θm的模型m的似然函數(shù)。由公式（6）可以看出，模型的邊緣似然函數(shù)考慮到了模型各個(gè)參數(shù)的所有取值的可能性，因此，利用貝葉斯因子進(jìn)行模型比較，可以減弱先驗(yàn)信息對(duì)于模型比較結(jié)果的影響，突出數(shù)據(jù)的重要性。

三、基于擴(kuò)展跳躍SV模型的實(shí)證分析

（一）描述性統(tǒng)計(jì)分析

基于簡(jiǎn)單但不失代表性的原則，用社保重倉(cāng)指數(shù)（社?；鹬貍}(cāng)股構(gòu)成的指數(shù)）代表全國(guó)社保基金投資組合?？紤]到數(shù)據(jù)的可獲取性，樣本時(shí)間范圍定為2006年9月29日～2011年6月1日，共1333組樣本數(shù)據(jù)。所有數(shù)據(jù)來(lái)源于大智慧的“板塊指數(shù)”。

將“社保重倉(cāng)”每日的收盤(pán)價(jià)記為Pt，將社?；鸬趖日的收益率定義為：

收益率的標(biāo)準(zhǔn)差為0.0238。收益率偏度統(tǒng)計(jì)量為負(fù)（－0.5564），意味著社?；鹗找娲嬖谥陆档目赡堋７宥冉y(tǒng)計(jì)量、J－B檢驗(yàn)統(tǒng)計(jì)量的值及其相伴概率，表明社?；鹗找媛什环恼龖B(tài)分布，具有“尖峰厚尾”的特征。ARCH效應(yīng)檢驗(yàn)表明收益率具有明顯的條件異方差性。Ljung－Box Q統(tǒng)計(jì)量表明社?；鸬氖找媛什淮嬖谧韵嚓P(guān)性，單位根ADF檢驗(yàn)表明，收益率序列均不存在單位根，是平穩(wěn)的。

（二）模型參數(shù)的貝葉斯估計(jì)

值得一提的是，實(shí)證數(shù)據(jù)為yt＝rt－rˉ，其中，rˉ為社保重倉(cāng)對(duì)數(shù)收益率的均值。

1.先驗(yàn)分布的設(shè)定。參數(shù)先驗(yàn)分布的設(shè)置是貝葉斯統(tǒng)計(jì)分析的前提條件。在使用MCMC算法對(duì)擴(kuò)展的跳躍SV模型進(jìn)行參數(shù)估計(jì)之前，參考已有文獻(xiàn)設(shè)置模型參數(shù)的先驗(yàn)分布［3，4］。參數(shù)μ表示潛變量｛θt｝的均值，β表示潛變量｛θt｝受外生變量（基金重倉(cāng)波動(dòng)）的影響程度，關(guān)于μ和β的先驗(yàn)信息很少，因此，可以使用低信息先驗(yàn)分布，將μ和β的先驗(yàn)分布設(shè)置為：μ～N（0，100），β～N（0.001，100）；由于τ2表示潛變量｛θt｝的方差，因此，采用逆伽瑪分布作為τ2的共軛先驗(yàn)分布，參數(shù)分別為2.5和0.025，即τ2～I(xiàn)Ga（2.5，0.025），則先 驗(yàn) 均 值 為0.01；因?yàn)棣盏娜≈捣秶南薅ǎ眨?，所以設(shè)φ＝2φ＊－1，且φ＊～Beta（20，1.5），則對(duì)應(yīng)φ的先驗(yàn)均值為0.86，這是波動(dòng)持續(xù)性參數(shù)φ的一個(gè)比較典型的取值；跳躍概率參數(shù)κ的共軛先驗(yàn)分布為貝塔分布，且κ～Beta（2，100），則κ的先驗(yàn)均值為0.0196；由于跳躍尺度參數(shù)δ是一個(gè)正數(shù)，所以，將δ的先驗(yàn)分布設(shè)置為對(duì)數(shù)正態(tài)分布，先驗(yàn)均值為0.02，即δ～LN（－3.9，1）。

2.收斂性診斷。采用MCMC仿真方法和OPENBUGS軟件，同時(shí)產(chǎn)生兩條具有不同參數(shù)初始值的Markov鏈，便于檢驗(yàn)擴(kuò)展的跳躍SV模型各參數(shù)的樣本分布的收斂性。首先對(duì)每個(gè)參數(shù)進(jìn)行20000次迭代，舍棄前10000個(gè)樣本進(jìn)行模擬退火，再對(duì)保存下來(lái)的后10000個(gè)樣本進(jìn)行分析。使用Gelman－Rubin收斂性診斷方法進(jìn)行收斂性檢驗(yàn)［13］，此方法通過(guò)GR統(tǒng)計(jì)量來(lái)判斷模型各參數(shù)的樣本分布是否已收斂到其后驗(yàn)分布。利用保存下來(lái)的10000個(gè)樣本，從前往后，每50個(gè)樣本計(jì)算一次GR統(tǒng)計(jì)量并畫(huà)出線圖，則可得到跳躍厚尾SV模型各參數(shù)的樣本分布收斂圖，如圖1所示。擴(kuò)展的跳躍SV模型各參數(shù)的R值，都隨著樣本量的增加而趨近于1，說(shuō)明模型參數(shù)的樣本分布已經(jīng)收斂到其后驗(yàn)分布。

（三）參數(shù)估計(jì)結(jié)果分析

為了進(jìn)行比較分析，同時(shí)基于傳統(tǒng)的跳躍SV模型、杠桿SV、SV－M、SV－T以及SV－N對(duì)社保重倉(cāng)收益率建模。表1給出了6種SV模型的參數(shù)估計(jì)結(jié)果。

將擴(kuò)展的跳躍SV模型、傳統(tǒng)的跳躍SV模型、杠桿SV模型、SV－M模型、SV－T模型、SV－N模型依次記為m1，m2，m3，m4，m5，m6，各SV模型的對(duì)數(shù)邊緣似然函數(shù)值及對(duì)數(shù)貝葉斯因子如表2所示。

從表2可知，對(duì)數(shù)貝葉斯因子lnB12、lnB13、lnB14、lnB15和lnB16都為正，并且都大于3，因此，根據(jù)Kass和Raftery（1995）［11］制定的基于對(duì)數(shù)貝葉斯因子進(jìn)行模型比較的判定標(biāo)準(zhǔn)，可得擴(kuò)展的跳躍SV模型建模效果相對(duì)最好。

圖1 社保重倉(cāng)擴(kuò)展的跳躍SV模型參數(shù)樣本分布收斂圖

表1 基金重倉(cāng)基于各SV模型的MCMC參數(shù)估計(jì)結(jié)果

表2 各SV模型的對(duì)數(shù)邊緣似然函數(shù)值及對(duì)數(shù)貝葉斯因子

由表1可知，除了擴(kuò)展的跳躍SV模型外，其余五個(gè)模型得到的波動(dòng)持續(xù)性參數(shù)φ值都達(dá)到了0.92以上，基于擴(kuò)展的跳躍SV模型得到的波動(dòng)持續(xù)性參數(shù)值僅為0.1548，說(shuō)明跳躍SV模型的對(duì)數(shù)波動(dòng)率方程中增加基金重倉(cāng)的對(duì)數(shù)ARCH項(xiàng)減少了社保重倉(cāng)的波動(dòng)持續(xù)性。

根據(jù)表1，比較社保重倉(cāng)基于擴(kuò)展的與傳統(tǒng)的跳躍SV模型建模的結(jié)果，發(fā)現(xiàn)前者的跳躍頻率高于后者，前者為0.0726，后者為0.0182，說(shuō)明基金重倉(cāng)的波動(dòng)對(duì)社保重倉(cāng)的跳躍具有正向作用，基金重倉(cāng)的波動(dòng)會(huì)加劇社保重倉(cāng)的跳躍。一個(gè)可能的解釋是，社?；鹩苫鸸芾砉疚型顿Y，出于安全性的考慮，社?；鹂赡軙?huì)趨向于投資由基金管理公司重倉(cāng)持有的股票，即基金重倉(cāng)股，樣本期內(nèi)社保重倉(cāng)與基金重倉(cāng)的線性相關(guān)系數(shù)達(dá)到了0.9292，也印證了這一點(diǎn)。

為了進(jìn)行對(duì)比分析，基于傳統(tǒng)的與擴(kuò)展的跳躍SV模型對(duì)基金重倉(cāng)收益率建模（用擴(kuò)展的跳躍SV模型對(duì)基金重倉(cāng)建模時(shí)，波動(dòng)率方程中的協(xié)變量為社保重倉(cāng)，即式（2.1）和（2.2）中的yt與~xt位置互換）。表3給出了基金重倉(cāng)基于傳統(tǒng)的與擴(kuò)展的跳躍SV模型的參數(shù)估計(jì)結(jié)果，發(fā)現(xiàn)擴(kuò)展的跳躍SV模型的跳躍頻率相對(duì)較高；為了方便對(duì)比，將社保重倉(cāng)基于擴(kuò)展的跳躍SV模型建模結(jié)果也放入表3中。

表3 基金重倉(cāng)基于擴(kuò)展的和傳統(tǒng)的跳躍 SV模型的MCMC參數(shù)估計(jì)結(jié)果

由表3可知，社保重倉(cāng)的對(duì)數(shù)波動(dòng)率θt的平均值μ略小于基金重倉(cāng)，說(shuō)明社保重倉(cāng)的波動(dòng)幅度略小于基金重倉(cāng)，社保重倉(cāng)的風(fēng)險(xiǎn)分散程度略強(qiáng)于基金重倉(cāng)；社保重倉(cāng)的波動(dòng)持續(xù)性參數(shù) 值大于基金重倉(cāng)的，說(shuō)明社保重倉(cāng)比基金重倉(cāng)具有更強(qiáng)的波動(dòng)持續(xù)性；比較對(duì)數(shù)波動(dòng)率θt的標(biāo)準(zhǔn)差（波動(dòng)噪音），發(fā)現(xiàn)基金重倉(cāng)對(duì)數(shù)波動(dòng)率θt的波動(dòng)程度更大；比較社保重倉(cāng)和基金重倉(cāng)的跳躍頻率和跳躍幅度，發(fā)現(xiàn)前者的跳躍頻率和幅度均小于后者，可能的原因是，機(jī)構(gòu)投資者（基金公司）對(duì)金融市場(chǎng)或經(jīng)濟(jì)的突發(fā)重大事件更加敏感。

根據(jù)表3，比較社保重倉(cāng)與基金重倉(cāng)的跳躍頻率和跳躍幅度發(fā)現(xiàn)：基金重倉(cāng)的跳躍頻率和幅度均強(qiáng)于社保重倉(cāng)。進(jìn)一步比較對(duì)數(shù)波動(dòng)率θt的影響，對(duì)社?；鸲?，擴(kuò)展的跳躍SV模型參數(shù)的貝葉斯估計(jì)值為0.5188，說(shuō)明社保重倉(cāng)的對(duì)數(shù)波動(dòng)率與基金重倉(cāng)的對(duì)數(shù)ARCH項(xiàng)正相關(guān)，基金重倉(cāng)的對(duì)數(shù)ARCH項(xiàng)每增加1個(gè)百分點(diǎn)，社保重倉(cāng)的對(duì)數(shù)波動(dòng)率將增加0.5188個(gè)百分點(diǎn)；但是社?；鸬膶?duì)數(shù)ARCH項(xiàng)每增加一個(gè)百分點(diǎn)，基金重倉(cāng)的對(duì)數(shù)波動(dòng)率將增加0.4809個(gè)百分點(diǎn)，即社保重倉(cāng)波動(dòng)與基金重倉(cāng)波動(dòng)之間存在不對(duì)稱(chēng)的作用，社保重倉(cāng)波動(dòng)對(duì)基金重倉(cāng)波動(dòng)的影響弱于基金重倉(cāng)波動(dòng)對(duì)社保重倉(cāng)波動(dòng)的影響。

四、小 結(jié)

以上對(duì)傳統(tǒng)的跳躍SV模型進(jìn)行了擴(kuò)展，提出了資產(chǎn)收益率的對(duì)數(shù)波動(dòng)率方程中帶有協(xié)變量的跳躍SV模型，給出了模型參數(shù)估計(jì)的MCMC算法，并將擴(kuò)展的跳躍SV模型用于分析社保重倉(cāng)指數(shù)對(duì)數(shù)收益率的波動(dòng)特征研究?；谪惾~斯因子比較發(fā)現(xiàn)，相對(duì)于SV－N、SV－T、SV－M、杠桿SV－N和傳統(tǒng)的跳躍SV－N五個(gè)模型，擴(kuò)展的跳躍SV模型建模效果最好；擴(kuò)展的跳躍SV模型有效地降低了波動(dòng)持續(xù)性；比較社保重倉(cāng)收益率基于擴(kuò)展的與傳統(tǒng)的跳躍SV模型建模的結(jié)果，發(fā)現(xiàn)前者得到的跳躍頻率高于后者，但前者得到的跳躍幅度低于后者，用同樣的模型對(duì)基金重倉(cāng)收益率建模，得到了同樣的結(jié)論；社保重倉(cāng)波動(dòng)對(duì)基金重倉(cāng)波動(dòng)的影響弱于基金重倉(cāng)波動(dòng)對(duì)社保重倉(cāng)波動(dòng)的影響。

［1］朱慧明，黃超，郝立亞，等.基于狀態(tài)空間的貝葉斯跳躍厚尾金融隨機(jī)波動(dòng)模型研究［J］.中國(guó)管理科學(xué)，2010，18（6）：17－25.

［2］朱慧明，郝立亞，等.基于貝葉斯SV模型的通貨膨脹水平與不確定性關(guān)系研究［J］.財(cái)經(jīng)理論與實(shí)踐，2011，（2）：13－19.

［3］Chib S，Nardari F.，Shephard N.Markov chain monte carlo methods for stochastic volatility models［J］.Journal of Econometrics，2002，108（2）：281－316.

［4］Berg A，Meyer R，Yu J.Deviance information criterion for comparing stochastic volatility model［J］.Journal of Business ＆Economic Statistics，2004，22（1）：107－119.

［5］Nakajima J，Omori Y.Leverage，heavy－tails and correlated jumps in stochastic volatility models［J］.Computational Statistics and Data Analysis，2009，53（6）：2335－2353.

［6］Kobayashi M.Testing for jumps in the stochastic volatility models［J］.Mathematics and Computers in Simulation，2009，79（8）：2597－2608.

［7］Todorov V.Econometric analysis of jump－driven stochastic volatility models［J］.Journal of Econometrics，2011，160（1）：12－21.

［8］周彥，張世英，張彤.跳躍連續(xù)時(shí)間SV模型建模及實(shí)證研究［J］.系統(tǒng)管理學(xué)報(bào)，2007，16（5）：31－36.

［9］王春峰，郝鵬，房振明.連續(xù)時(shí)間金融框架下證券市場(chǎng)跳躍模型研究［J］.南開(kāi)經(jīng)濟(jì)研究，2009，（5）：143－153.

［10］姚寧，毛甜甜.基于跳躍擴(kuò)散模型的中國(guó)股市和期市風(fēng)險(xiǎn)關(guān)聯(lián)研究［J］.西安電子科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2009，19（3）：21－26.

［11］高延巡，胡日東，蘇梽芳.中國(guó)股市跳躍行為的隨機(jī)波動(dòng)模型分析［J］.華僑大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，30（5）：580－585.

［12］Kass R，Raftery A.Bayes fostor［J］.Sournal of American Statistical Association，1995，90（3）：773－795.

［13］Gelman A，Rubin D.Inference from iterative simulation using multiple sequences［J］.Statistical Science，1992，7（4）：457－511.