GARCH模型要点解析.ppt

条件异方差模型回顾 * ARCH的缺陷 * 相对于ARCH模型，GARCH模型的优点在于：可以用低阶的GARCH模型来代表高阶的ARCH模型，从而使得模型的识别和 估计都变得比较容易。 GARCH模型仅仅包含三个参数就可以表达 ARCH存在的无穷多个参数的方程。 * ARCH效应检验方法 * ARCH-LM检验 * * 残差平方相关图检验 * GARCH过程的其他特性 1.GARCH模型的一般形式 均值模型(model of the mean)： yt=a0+βxt+εt xt~ARMA(pm,qm)，可含外生变量 方差模型(model of the variance)： εt=vtht1/2，vt~IID(0,1) ht=α0+α1εt-12+…+αqεt-q2+β1ht-1+…+βpht-p 其中：Eεt=0，Et-1εt2=ht 2.GARCH(1,1)误差过程的性质 (1) GARCH(1,1)误差过程模型 εt=vtht1/2，ht=α0+α1εt-12+β1ht-1， vt~IID(0,1) (2) 均值：Eεt=E(vtht1/2)=EvtEht1/2=0 (3) 方差：条件：Et-1εt2=Et-1(vt2ht)=htEt-1vt2=ht 无条件:Eεt2=α0+(α1+β1)Eεt-12=α0/(1-α1-β1) (4) 自协方差：条件：Et-1εtεt-j=0 无条件：Eεtεt-j=E(vtht1/2 vt-jht-j1/2)=0 (5) 波动的持久性：由Eεt2=α0+(α1+β1)Eεt-12，可知若(α1+β1)1，则方差指数衰减。 (6) 自相关图：GARCH(p,q)过程的ACF类似于ARMA(m,p)过程的ACF，其中m=max(p,q)。 GARCH模型的缺点 * GARCH模型的改进形式 * ARCH-M(GARCH-M)模型 * * “ ” “ ” 条件异方差模型 模型提出的背景 * * * * * * 金融时序的基本特征： 回报序列的实际分布呈现“尖峰、细腰、厚尾”特征； 回报的波动性呈现出集聚性和爆发性。 金融市场尤其是股票市场，价格运动与波动性负相关，即负的回报比正的回报导致更大的条件方差，这种现象被称为“杠杆作用”）； 回报的波动性表现出持久性，即对波动性的冲击要持续一段时间才会消失； 回报的波动性受金融资产期限长短的影响，并且，随着时间的推移，波动性呈现出向某个长期水平收敛的趋势，即出现“均值回复”现象。 回报序列呈现出明显的自相关性，有时尽管回报序列本身不相关，但它的平方序列是相关的，且比回报序列显著得多。 * 自回归条件异方差模型 异方差的定义 如果随机误差序列的方差会随着时间的变化而变化，这种情况被称作为异方差。 异方差的影响 忽视异方差的存在会导致残差的方差会被严重低估，继而参数显著性检验容易犯纳伪错误，这使得参数的显著性检验失去意义，最终导致模型的拟合精度受影响。 异方差处理方法 * (1) 假如已知异方差函数具体形式，进 行方差齐性变化。 常用变换：对数变换 (2) 假如不知异方差函数的具体形式， 拟合条件异方差模型。 ARCH模型 GARCH模型 GARCH模型的变体 EGARCH模型 TARCH模型 GARCH-M模型 CARCH模型 ARCH过程 * 在传统的计量经济模型中，扰动项的方差都被假设为常数。许多经济时间序列都显示了非常大的波动期之后又显示了一段相对平缓期，在这样情况下，常量方差的假设是不适当的。 在实践中，经常需要预测一个序列的条件方差。一个资产持有者总是对持有这种资产的持有期内预测其收益率与方差。如果你计划在t期买一种资产，在t+1期卖出这种资产，那么无条件方差（方差的长期预测）就不是很重要了。 “ ” “ ”