Giới thiệu suy diễn tham số cho phương trình vi phân ngẫu nhiên

An Introduction to Parametric Inference for Stochastic Differential Equations

TÓM TẮT CHỦ ĐỀ

Chào mừng các bạn sinh viên đến với chuỗi bài học chuyên sâu về suy diễn tham số cho các phương trình vi phân ngẫu nhiên (SDE) được lấy mẫu rời rạc. Đây là một hành trình khám phá một trong những lĩnh vực phức tạp nhưng vô cùng quan trọng trong kinh tế lượng tài chính hiện đại. Các mô hình tài chính liên tục theo thời gian, như mô hình lãi suất hoặc giá tài sản, thường được mô tả bởi các SDE. Tuy nhiên, dữ liệu chúng ta có trong thực tế luôn ở dạng rời rạc (hàng ngày, hàng giờ, v.v.). Làm thế nào để ước lượng các tham số của một mô hình liên tục từ dữ liệu rời rạc? Đây chính là câu hỏi cốt lõi mà chuỗi bài học này sẽ giải quyết.

Chúng ta sẽ bắt đầu bằng việc tìm hiểu các khái niệm nền tảng, sau đó đi sâu vào các phương pháp ước lượng khác nhau, từ ước lượng hợp lý cực đại (Maximum Likelihood) đến các phương pháp tinh vi và hiệu quả hơn như hàm ước lượng Martingale. Mục tiêu không chỉ là hiểu lý thuyết toán học đằng sau, mà còn là xây dựng một trực giác vững chắc về cách các phương pháp này hoạt động, ưu và nhược điểm của chúng, và khi nào nên sử dụng chúng trong nghiên cứu thực tế.

Để giúp các bạn dễ hình dung, hãy nắm bắt ba từ khóa chính của chuỗi bài học này:

Chuỗi bài học này sẽ trang bị cho các bạn kiến thức từ cơ bản đến nâng cao, giúp bạn tự tin tiếp cận các tài liệu nghiên cứu phức tạp và áp dụng các kỹ thuật này vào dự án của riêng mình.

CẤU TRÚC CHUỖI BÀI HỌC

PHỤ LỤC: DỮ LIỆU MÔ PHỎNG CHO SERIES

Để phục vụ cho việc học và thực hành, chúng ta sẽ sử dụng dữ liệu mô phỏng từ mô hình lãi suất Cox-Ingersoll-Ross (CIR), một mô hình SDE rất nổi tiếng trong tài chính. Mô hình có dạng:

$$dXt = \beta(\alpha – Xt)dt + \tau\sqrt{Xt}dWt$$

Dưới đây là đoạn code Stata để tạo ra một chuỗi thời gian gồm 1000 quan sát từ mô hình này. Các bạn có thể chạy code này để tự tạo dữ liệu cho riêng mình và sử dụng trong bài thực hành.

* ==================================================
* MỤC ĐÍCH: Mô phỏng dữ liệu từ mô hình lãi suất CIR
* MÔ HÌNH: dXt = beta(alpha - Xt)dt + tau*sqrt(Xt)dWt
* CÁC THAM SỐ GIẢ ĐỊNH:
* alpha (trung bình dài hạn): 0.05
* beta (tốc độ hồi quy): 0.2
* tau (hệ số biến động): 0.1
* ==================================================

clear all
set seed 12345

* -- Thiết lập các tham số cho mô phỏng
local obs = 1000      // Số lượng quan sát
local dt = 1/252      // Bước thời gian (giả định 1 ngày giao dịch)
local x0 = 0.03       // Giá trị ban đầu

* -- Thiết lập các tham số của mô hình CIR
local alpha = 0.05
local beta = 0.2
local tau = 0.1

* -- Tạo bộ dữ liệu
set obs `obs'
gen double time = _n * `dt'
gen double cir_rate = .
replace cir_rate = `x0' in 1

* -- Vòng lặp mô phỏng theo phương pháp Euler-Maruyama
forvalues i = 2/`obs' {
  local prev_x = cir_rate[`i'-1]
  local dW = sqrt(`dt') * rnormal() // Tạo thành phần ngẫu nhiên Wiener
  local dX = `beta'*(`alpha' - `prev_x')*`dt' + `tau'*sqrt(`prev_x')*`dW'
  replace cir_rate[`i'] = `prev_x' + `dX'
}

* -- Mô tả và lưu dữ liệu
describe time cir_rate
summarize cir_rate
tsset time
tsline cir_rate, title("Chuỗi Lãi suất Mô phỏng từ Mô hình CIR")

* -- Lưu dữ liệu để sử dụng sau này
save "cir_data.dta", replace

* ==================================================
* MỤC ĐÍCH: Mô phỏng dữ liệu từ mô hình lãi suất CIR
* MÔ HÌNH: dXt = beta(alpha - Xt)dt + tau*sqrt(Xt)dWt
* CÁC THAM SỐ GIẢ ĐỊNH:
* alpha (trung bình dài hạn): 0.05
* beta (tốc độ hồi quy): 0.2
* tau (hệ số biến động): 0.1
* ==================================================

clear all
set seed 12345

* -- Thiết lập các tham số cho mô phỏng
local obs = 1000      // Số lượng quan sát
local dt = 1/252      // Bước thời gian (giả định 1 ngày giao dịch)
local x0 = 0.03       // Giá trị ban đầu

* -- Thiết lập các tham số của mô hình CIR
local alpha = 0.05
local beta = 0.2
local tau = 0.1

* -- Tạo bộ dữ liệu
set obs `obs'
gen double time = _n * `dt'
gen double cir_rate = .
replace cir_rate = `x0' in 1

* -- Vòng lặp mô phỏng theo phương pháp Euler-Maruyama
forvalues i = 2/`obs' {
  local prev_x = cir_rate[`i'-1]
  local dW = sqrt(`dt') * rnormal() // Tạo thành phần ngẫu nhiên Wiener
  local dX = `beta'*(`alpha' - `prev_x')*`dt' + `tau'*sqrt(`prev_x')*`dW'
  replace cir_rate[`i'] = `prev_x' + `dX'
}

* -- Mô tả và lưu dữ liệu
describe time cir_rate
summarize cir_rate
tsset time
tsline cir_rate, title("Chuỗi Lãi suất Mô phỏng từ Mô hình CIR")

* -- Lưu dữ liệu để sử dụng sau này
save "cir_data.dta", replace

Mô tả dữ liệu:

• time: Biến thời gian, đại diện cho các ngày giao dịch.
• cir_rate: Lãi suất ngắn hạn được mô phỏng, là biến mà chúng ta sẽ sử dụng để ước lượng các tham số alpha, beta, và tau.

Hãy chạy đoạn code trên và chuẩn bị sẵn sàng file cir_data.dta. Chúng ta sẽ cần đến nó trong các bài học sau. Chúc các bạn học tốt!