第九章 ARCH和GARCH估计1课件.ppt

第六章 条件异方差模型 ; 　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)的残差平方的大小，即依赖于 ut2- 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) 并假设在时刻 ( t?1 ) 所有信息已知的条件下，扰动项 ut 的分布是： ~ (6.1.2) 也就是，ut 遵循以0为均值，(?0+ ?1u2t-1 )为方差的正态分布。 由于(6.1.2)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： 然而，容易加以推广。; 例???，一个ARCH (p)过程可以写为： （6.1.3） 如果扰动项方差中没有自相关，就会有 H0 ： 这时 从而得到误差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： （6.1.4） 其中，?t 表示从原始回归模型（6.1.1）估计得到的OLS残差。 ; 6.1.2 GARCH(1, 1)模型 我们常常有理由认为 ut 的方差依赖于很多时刻之前的变化量（特别是在金融领域，采用日数据或周数据的应用更是如此）。这里的问题在于，我们必须估计很多参数，而这一点很难精确的做到。但是如果我们能够意识到方程(6.1.3)不过是?t2的分布滞后模型，我们就能够用一个或两个?t2的滞后值代替许多ut2的滞后值，这就是广义自回归条件异方差模型(generalized autoregressive conditional heterosce-　dasticity model，简记为GARCH模型)。在GARCH模型中，要考虑两个不同的设定：一个是条件均值，另一个是条件方差。 ;在标准化的GARCH(1,1)模型中： (6.1.5) (6.1.6) 其中：xt是1×(k+1)维外生变量向量，? 是(k+1)×1维系数向量。 (6.1.5)中给出的均值方程是一个带有误差项的外生变量函数。由于?t2是以前面信息为基础的一期向前预测方差 ，所以它被称作条件