21ARCH模型.doc

第9章 GARCH 模型 前面介绍的模型都是预测被解释变量的期望值，而ARCH，GARCH模型预测的是被解释变量的方差。ARCH模型在分析金融时间序列中有着广泛的应用。 9.1 问题的提出 以前介绍的异方差属于递增型异方差，即随机误差项方差的变化随解释变量的增大而增大。但利率，汇率，股票收益等时间序列中存在的异方差却不属于递增型异方差。例如，汇率，股票价格常常用随机游走过程描述， xt = xt -1 + ut (9.1) 其中ut为白噪声过程。1995-2000年日元兑美元汇率时间序列及差分序列见图9.1和图9.2。 图9.1 日元兑美元汇率序列JPY(1995-2000) 图9.2 日元兑美元汇率差分序列（收益）D(JPY) 图9.3 收益绝对值序列 (1995-2000) 图9.4 D(JPY)的平方 (1995-2000) 这种序列的特征是（1）过程的方差不仅随时间变化，而且有时变化得很激烈。（2）按时间观察，表现出“波动集群”（volatility clustering）特征，即方差在一定时段中比较小，而在另一时段中比较大。（3）从取值的分布看表现的则是“高峰厚尾”（leptokurtosis and fat-tail）特征，即均值附近与尾区的概率值比正态分布大，而其余区域的概率比正态分布小。图9.5给出高峰厚尾分布示意图。图9.6给出一个高峰厚尾分布实例。 显然现期方差与前期的“波动”有关系。描述这类关系的模型称为自回归条件异方差（ARCH）模型（Engle 1982年提出）。使用ARCH模型的理由是：（1）通过预测xt或ut的变化量评估股票的持有或交易对收益所带来的风险有多大，以及决策的代价有多大；（2）可以预测xt的置信区间，它是随时间变化的；（3）对条件异方差进行正确估计后可以使回归参数的估计量更具有有效性。 图9.5 高峰厚尾分布特征示意图 图9.6 标准化的深圳综合股票收益分布直方图 正态分布密度峰值上限=（最大组频数 / 观测值个数）/ 组距=0.3989。根据上式，最大组频数上限=观测值个数(组距(0.3989=660(0.5(0.3989=131.6。因为实际最高组频数远远大于131.6，所以为高峰特征。因为K=7.19 3, 所以为高峰厚尾特征。 注意：“分布峰值越高，峰度值越大”这种说法是错误的。正确的说法是“分布的尾部越厚，峰度值越大”。与下图比较。 注意：上图是从原数据中剔出大部分均值附近数据之后的分布，已变成低峰厚尾。说明无论高峰还是低峰，只要是厚尾峰度值就大。原因是距离均值很近的观测值在峰度值计算公式（数据的4阶矩）中没有发言权。 9.2 ARCH模型 9.2.1 ARCH模型的定义 若一个平稳随机变量xt可以表示为AR(p) 形式，其随机误差项的方差可用误差项平方的q阶分布滞后模型描述， xt = (0 + (1 xt -1 + (2 xt -2 + … + (p xt - p + ut (9.2) (t2 = E(ut2) = (0 + (1 ut -1 2 + (2 ut -22 + … + (q ut - q2 (9.3) 则称ut 服从q阶的ARCH过程，记作ut ( ARCH (q)。其中(9.2) 式称作均值方程，(9.3) 式称作ARCH方程。 (9.2) 和 (9.3) 式还应满足如下条件。对于 (9.2) 式，为保证平稳性，特征方程 1 - (1 L - (2 L2 - … - (p Lp = 0 (9.4) 的根应在单位圆之外。xt 的条件期望是 E(xt ( x t -1, …, x t - p) = (0 + (1 xt -1 + (2 xt -2 + … + (p xt - p xt 的无条件期望（T(( 时）是 E(xt) = 对于 (9.3) 式，由于ut2 的非负性，对(i应有如下约束， (0 0, (i ( 0, i = 1, 2, … q (9.5) 当全部(i = 0, i = 1, 2, …, q时，条件方差(t2 = (0。因为方差是非负的，所以要求(0 0。为保证(