6 GARCH模型分析与应用.pptVIP

第六章 GARCH模型分析与应用;学习目标;GARCH模型分析与应用;第一节　ARCH过程; ;;;;一、金融时间序列的异方差性特征 p197;Engle(1982)提出的ARCH模型，正是在不使用特定变量xt 或数据转换的情况下，同时对序列的均值和方差进行建模。要理解Engle的方法，首先我们要估计平稳ARCH模型 yt=a0+a1yt-1+?t，并预测yt+1，则 yt+1的条件均值为 Etyt+1=a0+a1yt ,若我们用这个条件均值去预测yt+1，则预测误差方差为Et[(yt+1-a0-a1yt )2]= Et(?t+1)2 =?2。 若用 表示模型 yt=a0+a1yt-1+?t 的残差估计值，那么yt+1 的条件方差为： var(yt+1|yt)=Et[(yt+1-a0-a1yt )2]= Et(?t+1)2 ;现在假设条件方差不定，一个简单的处理方法就是用残差估计值的平方将条件方差建模为AR(q)过程为： 其中，vt是一个白噪声过程。 类似于上式的被称为自回归条件异方差（ARCH）模型。 ;ARCH过程;Bollerslev广义自回归条件异方差(Generalized ARCH,GARCH)模型。 GARCH类模型最早是Engle提出的ARCH模型，即自回归条件异方差模型。设标的资产时间序列为{yt}， Engle年建立了回归模型ARCH(q) 其中，ｙｔ是因变量，?是解释变量的向量，ｘｔ是未知参数的向量, 假设?ｔ 在给定(t-1) 时间内的信息?ｔ－１ 满足正态分布?ｔ ｜?ｔ－１～Ｎ（０，ｈｔ－１），但其条件方差为：;GRACH模型;GRACH模型;[实证案例6-1]上证指数的GARCH（1，1）模型;四、GACRCH—M模型;第二节GARCH类模型的检验与估计 p205;GARCH类模型的检验与估计;GARCH类模型的检验与估计;使用Eviews软件进行GARCH估计;在EViews中估计ARCH模型 ; (EViews5)的对话框;与选择估计方法和样本一样，需要指定均值方程和方差方程。 （一）均值方程 在因变量编辑栏中输入均值方程形式，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。如果方程包含常数，可在列表中加入C。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。 如果解释变量的表达式中含有ARCH—M项，就需要点击对话框右上方对应的按钮。EViews4.0中，只有3个选项： 1.选项None表示方程中不含有ARCH?M项； 2.选项Std.Dev.表示在方程中加入条件标准差?； 3.选项Variance则表示在方程中含有条件方差? 2。 而EViews5中的ARCH-M的下拉框中，除了这三个选项外，还添加了一个新的选项：Log(Var)，它表示在均值方程中加入条件方差的对数ln(? 2)作为解释变量。 ; （二）方差方程;（2）在Variance栏中，可以根据需要列出包含在方差方程中的外生变量。由于EViews在进行方差回归时总会包含一个常数项作为解释变量，所以不必在变量表中列出C。 （3）设定了模型形式以后，就可以选择ARCH项和GARCH项的阶数。缺省的形式为包含一阶ARCH项和一阶GARCH项的模型，这是现在最普遍的设定。 ;例，为了检验股票价格指数的波动是否具有条件异方差性，选择了沪市股票的收盘价格指数的日数据作为样本序列(这是因为上海股票市场不仅开市早，市值高，对于各种冲击的反应较为敏感，具有一定代表性)。在这个例子中，选择的样本序列{sp}是1998年1月3日至2001年12月31日的上海证券交易所每日股票价格收盘指数，为了减少舍入误差，在估计时，对{sp}进行自然对数处理，即将序列{log(sp)}作为因变量进行估计。; 由于股票价格指数序列常常用一种特殊的单位根过程——随机游动（Random Walk）模型描述，所以本例进行估计的基本形式为： 首先利用最小二乘法，估计了一个普通的回归方程，结果 （15531） R2= 0.994 对数似然值 = 2874 AIC = -5.51 SC = -5.51 ;可以看出，这个方程的统计量很显著，而且，拟和的程度也很好。但是对这个方程进行异方差的White和ARCH-LM检验，发现 q = 3 时的ARCH-LM检验的相伴概率，即P值接近于0，White检验的