条件异方差模型-9.pptx

第六章 条件异方差模型 EViews中的大多数统计工具都是用来建立随机变量的条件均值模型。本章讨论的重要工具具有与以往不同的目的——建立变量的条件方差或变量波动性模型。 我们想要建模并预测其变动性通常有如下几个原因: 首先，我们可能要分析持有某项资产的风险；其次，预测置信区间可能是时变性的，所以可以通过建立残差方差模型得到更精确的区间；第三，如果误差的异方差是能适当控制的，我们就能得到更有效的估计。 §6.1自回归条件异方差模型 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模型是1982年由恩格尔(Engle, R.)提出，并由博勒斯莱文(Bollerslev, T., 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。 按照通常的想法，自相关的问题是时间序列数据所特有，而异方差性是横截面数据的特点。但在时间序列数据中，会不会出现异方差呢？会是怎样出现的？ 恩格尔和克拉格（Kraft, D., 1983）在分析宏观数据时，发现这样一些现象：时间序列模型中的扰动方差稳定性比通常假设的要差。恩格尔的结论说明在分析通货膨胀模型时，大的及小的预测误差会大量出现，表明存在一种异方差，其中预测误差的方差取决于后续扰动项的大小。 从事于股票价格、通货膨胀率、外汇汇率等金融时间序列预测的研究工作者，曾发现他们对这些变量的预测能力随时期的不同而有相当大的变化。预测的误差在某一时期里相对地小，而在某一时期里则相对地大，然后，在另一时期又是较小的。这种变异很可能由于金融市场的波动性易受谣言、政局变动、政府货币与财政政策变化等等的影响。从而说明预测误差的方差中有某种相关性。 为了刻画这种相关性，恩格尔提出自回归条件异方差(ARCH)模型。ARCH的主要思想是时刻 t 的ut 的方差(= ?t2 )依赖于时刻(t ?1)的扰动项平方的大小，即依赖于 ?t2- 1 。 6.1.1 ARCH模型 为了说得更具体，让我们回到k -变量回归模型：(6.1.1) 如果 ut 的均值为零，对 yt 取基于(t-1)时刻的信息的期望，即Et-1(yt)，有如下的关系： (6.1.2)由于 yt 的均值近似等于式（6.1.1）的估计值，所以式（6.1.1）也称为均值方程。 在这个模型中，变量 yt 的条件方差为 （6.1.3）其中：var(yt ?Yt-1)表示基于 (t-1) 时刻的信息集合Yt-1 = {yt-1, yt-2, …, y1}的 yt 的条件方差， 假设在时刻 ( t ?1 ) 所有信息已知的条件下，扰动项 ut 的条件分布是： ~(6.1.7) 也就是，ut 遵循以0为均值，(?0+?1u2t-1 )为方差的正态分布。 由于(6.1.7)中 ut 的方差依赖于前期的平方扰动项，我们称它为ARCH(1)过程： 通常用极大似然估计得到参数?0, ?1, ?2, ??, ?k, ?0, ?1的有效估计。 容易加以推广，ARCH (p)过程可以写为： (6.1.8)这时方差方程中的(p+1)个参数?0, ?1, ?2, ??, ?p也要和回归模型中的参数?0, ?1, ?2, ??, ?k一样，利用极大似然估计法进行估计。 如果扰动项方差中没有自相关，就会有 H0 ：这时 从而得到扰动项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：其中，?t 表示从原始回归模型（6.1.1）估计得到的OLS残差。 在 ARCH(p) 过程中，由于 ut 是随机的，ut2 不可能为负，所以对于 {ut} 的所有实现值，只有是正的，才是合理的。为使 ut2 协方差平稳，所以进一步要求相应的特征方程 （6.1.9）的根全部位于单位圆外。如果 ?i（i = 1, 2, …, p）都非负，式（6.1.9）等价于 ?1 + ?2 + … + ?p ? 1。 6.1.2 ARCH的检验 下面介绍检验一个模型的残差是否含有ARCH效应的两种方法：ARCH LM检验和残差平方相关图检验。 1. ARCH LM检验 Engle在1982年提出检验残差序列中是否存在ARCH效应的拉格朗日乘数检验（Lagrange multiplier test），即ARCH LM检验。自回归条件异方差性的这个特殊的设定，是由于人们发现在许多金融时间序列中，残差的大小与最近的残差值有关。ARCH本身不能使标准的OLS估计无效，但是，忽略ARCH影响可能导致有效性降低。 ARCH LM检验统计量由一