ARCH模型和GARCH模型_yukz.doc

ARCH模型和GARCH模型 Robert F. Engle Clive W. J. Granger 本章模型与以前所学的异方差的不同之处：随机扰动项的无条件方差虽然是常数，但是条件方差是按规律变动的量。 引子---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， yt=yt-1+εt 其中εt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1和图2。 图1 日元兑美元汇率序列JPY(1995-2000) 图2 日元兑美元汇率差分序列（收益）D(JPY) 图3 收益绝对值序列 (1995-2000) 图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5给出高峰厚尾分布示意图。 图5 高峰厚尾分布特征示意图 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yt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yt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。 §1、ARCH模型 1、条件方差 多元线性回归模型： 条件方差或者波动率（Condition variance，volatility）定义为 其中是信息集。 2、ARCH模型的定义 Engle（1982）提出ARCH模型（autoregressive conditional heteroskedasticity，自回归条件异方差）。 ARCH(q)模型： （1） 的无条件方差是常数，但是其条件分布为 （2） 其中是信息集。 方程（1）是均值方程（mean equation） ：条件方差，含义是基于过去信息的一期预测方差 方程（2）是条件方差方程（conditional variance equation），由二项组成 常数 ARCH项：滞后的残差平方 由于εt2 的非负性，对(i应有如下约束， ω0, (i(0, i = 1, 2, … q 当全部(i = 0, i = 1, 2, …, q时，条件方差(t2 =ω。因为方差是非负的，所以要求ω 0。 3、ARCH模型的平稳性条件 为保证(t2是一个平稳过程，(2) 式的特征方程 1-(1L-(2L2-…-(qLq=0 的根都应在单位圆之外。 对(i, i = 1, 2, …, q的另一个约束是 0 ((1+(2+…+(q1 对(2) 式求期望， (t2 =ω+ (1 E(εt -1 2) + (2 E(εt -22) + … + (q E(εt - q2) =ω+ (1 (t -1 2 + (2 (t -22 + … + (q (t - q2 当T(( 时， (2 =ω+ (1 ( 2 + (2 ( 2 + … + (q ( 2 则无条件方差 可见若保证(t2是一个平稳过程，应该有约束 0 ( ((1 + (2 + … + (q ) 1。 因为Var(yt) = Var(εt) = (t2，所以上式可以用来预测yt 的方差。 综上所述，ARCH模型的方差方程的的平稳性条件有 1) 1-(1L-(2L2-…-(qLq=0 的根都应在单位圆之外。 2) 0 ((1+(2+…+(q1 为使模型能够成立还需要满足 ω0, (i(0, i = 1, 2, … q 例1 ARCH(1)模型中参数的含义： 当时， 当时，退化为传统情形， 4、ARCH效应检验 ARCH LM Te