中南财经政法大学第2章GARCH模型族.ppt

END 案例：日元对美元汇率的建模研究 尝试的结果应该建立AR (3)、ARCH(7)模型。EViews输出结果如下。 均值方程中之所以剔除了DJPYt-2项，是因为DJPYt-2项的系数不再有显著性。 注意：均值方程伴有ARCH 方程后，均值方程中的某些项常常会失去显著性。 在Threshold窗口填1 Model选择窗换成EARCH， Asymmetric选择窗填1。 表达式 ARCH-M term选择框里选Std. Dev.。估计均值GARCH模型。 （选?t2同样没有显著性） Model选择窗换成PARCH Asymmetric选择窗填1 * （file:JPYEN） 第 2 章 GARCH 模型 族 1 问题的提出 2 ARCH 模型 3 GARCH 模型 4 IGARCH(1,1) 模型 5 T GARCH 模型 6 ABSGARCH /ARCH 模型 7 EGARCH 模型 8 GARCH - M ， ABSGARCH - M 和 EGARCH - M 模型 9 P ARCH 模型 1 0 LM - GARCH 模型 1 1 FIGARCH （分整 GARCH ）模型 1 2 FIEGARCH （ 分整 EGARCH ） 模型 1 3 案例分析 第 2 章 GARCH 模型 族 2.1 问题的提出 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。 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 价格 指数 的 收益 率 等时间序列中存在的异方差却不属于递增型 异方差。 80 100 120 140 160 200 400 600 800 1000 1200 1400 JPY (1995-2000) -8 -6 -4 -2 0 2 4 6 200 400 600 800 1000 1200 1400 D(JPY) (1995-2000) 日元兑美元汇率序列 JPY(1995 - 2000) 日元兑美元汇率差分序列（收益） D(JPY) 2.1 问题的提出 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。 -8 -6 -4 -2 0 2 4 6 200 400 600 800 1000 1200 1400 D(JPY) (1995-2000) 高 峰厚尾 分布曲线 正态 分布曲线 2.1 问题的提出 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 x t 或 u t 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 x t 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。 2.2 ARCH 模型 2.2.1 ARCH 模型的定义 若一个平稳随机变量 x t 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， x t = b 0 + b 1 x t - 1 + b 2 x t - 2 + … + b p x t - p + u t (2.1) s t 2 = E( u t 2 ) = a 0 + a 1 u t - 1 2 + a 2 u t - 2 2 + … + a q u t - q 2 (2.2) 则称 u t 服从 q 阶的 ARCH 过程 ，记作 u t ~ ARCH ( q ) 。 其中 (2.1) 式称作