计量经济第十六章 ARCH和GARCH估计.docVIP

第十六章 ARCH和GARCH估计 本章讨论的工具是建立变量的条件方差或变量波动性模型。自回归条件异方差 （Autoregressive Conditional Heteroscedasticity Model，ARCH）模型是特别用来建立条件方差模型并对其进行预测的。ARCH模型由Engle（1982）提出，并由Bollerslev 1986 发展成为GARCH Generalized ARCH ——广义自回归条件异方差。这些模型被广泛的应用于经济学的各个领域。尤其在金融时间序列分析中。 §16.1 ARCH的说明 ARCH的主要思想是时刻t的ε的方差（ σ 2）依赖于时刻（t ─ 1）的平方误差的大小，即依赖于。 （1） 并假设在时刻 t-1 所有信息的条件下，干扰项的分布是： ~ （2） 即遵循以0为均值，为方差的正态分布。由于（2）中的的方差依赖于前期的平方干扰，我们称它为ARCH 1 过程。然而，容易加以推广，一个ARCH p 过程可以写为： （3） 如果误差方差中没有自相关，就会有H0：。这时，从而得到误差方差的同方差性情形。恩格尔曾表明，容易通过以下的回归去检验上述虚拟假设： （4） 其中，表示从原始回归模型（1）估计得到的OLS残差。 一、GARCH（1，1）模型 在标准化的GARCH 1,1 模型中： 16.1 16.2 （16.1）中给出的均值方程是一个带有误差项的外生变量函数。由于是以前一期的信息为基础的预测方差，所以它被叫做条件方差。（16.2）中给出的条件方差方程是一个下面三项的函数： 1．均值：； 2．用均值方程的残差平方的滞后来度量从前期得到的波动性的信息：（ARCH项）； 3．上一期的预测方差：（GARCH项）。 GARCH 1, 1 中的 1, 1 是指阶数为1的GARCH项（括号中的第一项）和阶数为1的ARCH项（括号中的第二项）。普通的ARCH模型是GARCH模型的特例，即在条件方差方程中不存在滞后预测方差的说明。 二、ARCH—M模型 方程（16.1）中的代表在均值方程中引入的外生或先决变量。如果我们把条件方差引进到均值方程中，就可以得到ARCH—M模型 Engle,Lilien,Robins,1987 ： （16.9） ARCH—M模型的另一种不同形式是将条件方差换成条件标准差。 ARCH—M模型通常用于关于资产的预期收益与预期风险紧密相关的金融领域。预期风险的估计系数是风险收益交易的度量。 三、GARCH（p,q）模型 高阶GARCH模型可以通过选择大于1的p或q得到估计，记作GARCH p, q 。其方差表示为： （16.10） 这里，p是GARCH项的阶数，q是ARCH项的阶数。 §16.2 在EViews中估计ARCH模型 估计GARCH和ARCH模型，首先通过Object/New Object/Equation Equation建立方程，然后在Method的下拉菜单中选择ARCH，即得到相应的对话框。 一、均值方程 均值方程的形式可以用回归列表形式列出因变量及解释变量。如果需要一个更复杂的均值方程，可以用公式的形式输入均值方程。如果含有ARCH—M项，就要点击对话框右上方对应的按钮。 二、方差方程 在Variance Regressors栏中，可以选择列出要包含在指定方差中的变量。注意到EViews在进行方差回归时总会包含一个常数项作为回归量，所以不必在变量表中列出C。 三、ARCH说明 在ARCH Specification标栏下，选择ARCH项和GARCH项的阶数。Eviews默认为选择1阶ARCH和1阶GARCH进行估计，这是目前最普遍的形式。标准GARCH模型，需点击GARCH按钮。其余的按钮将进入更复杂的GARCH模型的变形形式。 四、估计选项 点击Options按钮选择估计方法的设置： 1.回推 在缺省的情况下，MA初始的扰动项和GARCH项中要求的初始预测方差都是用回推方法来确定初始值的。如果不选择回推算法，EViews会设置残差为零来初始化MA过程，用无条件方差来设置初始化的方差和残差值。 2. 系数协方差 点击Heteroskedasticity Consistent Covariances用Bollerslev和Wooldridge（1992）的方法计算极大似然（QML）协方差和标准误差。如果怀疑残差不服从条件正态分布，就应该使用这个选项。只有选定这一选项，协方差的估计才可能是一致的，才可能产生正确的标准差。注意如果选择该项，参数估计将是不变的，改变的只是协方差矩阵 4.迭代估计控制 ARCH模型的似然函数不总是正规的，所以用默认的设置进行估计可能不会收敛。这时，可以利用选项对话框来选择迭代算法（马尔科夫、BHHH/高斯-牛