ch2-2arch和garch模型.pptVIP

* 类似地，在ARCH模型中峰度K 则在GARCH模型中峰度K * 3.2 正态-GARCH极大似然估计 完整的GARCH模型分为均值方程和方差方程 均值方程可以设定要根据不同的意义设定 或者 * 3.2 GARCH极大似然估计 * 3.2 GARCH极大似然估计 由于时间序列y抽样的时候是独立，则对于所有的联合概率密度函数有f(y)，等于边际密度的乘积 说明：对于三个独立的事件A、B和c同时发生的概率是A、B和C三者概率的乘积。同样在从时间序列抽取的样本中，这些样本既然被抽取了，便表示他们同时发生了，似然函数就是同时发生的概率。 * 将似然函数取对数，构造对数似然函数 * 建立似然方程 运用osl回归得到初始参数的值，作为迭代的初始值 选择对条件方差参数的一些初始值。如设定为无条件方差，或者0 设定收敛准则，对于Eviews默认的收敛为0.001 算法：Berndt等（1974）提出的BHHH算法 * 中石化：正态-GARCH（1，1） * 中石化：osl回归 * 3.3 GARCH滞后阶数的选择 在模型回归参数显著的基础上，为了挑选最优秀的模型其判定的准则是 AIC准则 Schwarz准则 l为对数似然值，T为样本数量，K为参数的个数 * 中石化：正态-GARCH滞后阶数选择 * GARCH回归后的残差检验 * 4 GARCH方差预测 通过回归得到GARCH参数，以及根据t时刻的残差和方差来预测t+1时刻条件方差 注意：t时刻前，由样本回归得到参数，推断样本外的方差 1步预测方程为 对于n步预测，推导如下 均值方程得到 * 对于两步预测，只能采用t时刻推断出的t+1时刻的方差来估计，给出的仅仅是其期望形式下的方差 * GARCH方差预测：中石化（自回归） 样本外预测：总共样本有227个（2006/01/04~ 2007/01/19），回归只用了217个样本（2006/01/04 ~2007/01/04），剩下的10天通过预测得到（样本外预测） 经过回归得到以下方程 * * 预测结果 日期 样本外预测 实际条件方差 2007/01/08 0.001126 0.001293 2007/01/09 0.001125 0.001195 2007/01/10 00.001762 2007/01/11 00.001604 2007/01/12 00.001789 2007/01/15 00.002122 2007/01/16 00.001942 2007/01/17 00.001753 2007/01/18 00.001688 2007/01/19 00.001561 * * ARCH类模型的其它模型 1、均值自回归条件异方差模型ARCH-M模型 在金融应用中，人们很自然地会假定资产的预期收益率与资产预期风险是成比例的，即通常所说的风险越大，收益越大，所以人们将条件方差或条件标准差作为外生变量或前定变量引入到均值方程中。而根据条件均值方程的不同，将ARCH模型分为一般ARCH模型和ARCH-M模型，即均值自回归方程。其模型如下：与一般ARCH模型的主要区别在于收益方程不同，考虑了风险情况。其中A代表风险系数。 * 2、指数GARCH模型 (EGARCH) EGARCH模型中条件方差采用了自然对数，意味着 非负，且杠杆效应是指数型的；模型的另一个重要特征就在于引入一个参数γ， 若γ≠0，说明信息作用非对称。当γ0时，则杠杆效应显著，即股市受负冲击要比正的冲击引起更大的波动，具有杠杆效应。 (5) Power ARCH模型(PARCH) * 3、 Power ARCH模型(PARCH) Taylor(1986)和Schwert(1989) 介绍了一种标准离差的GARCH模型，即将残差的绝对值引入模型而非残差。后来这一系列模型被Ding等 (1993) 所总结为Power ARCH模型(简称PARCH)。在模型中，多了两个参数，一个是用来捕捉不对称信息的参数γ，另一个是标准离差参数δ。其条件方差方程如下所示： * * * 第二章 经典回归模型的扩展 第四节 ARCH模型 * 1、金融时间序列的特点 尖峰厚尾（Leptokurtosis）：金融回报序列普遍表现出厚尾（fat tails）和在均值处出现过度的峰度（excess peakedness），偏离正态分布。 就投资回报率而言，其分布的峰度比标准正态分布的峰度高。这表明股票投资比其它行为对更多的人而言具有同向影响，即市场具有收益时更多的人会有收益，市场亏损时