非平稳时间序列课件.ppt

* * * * * * * * * * * * * * * * * 经济背景 81.12日元兑1美元发生在1995年4月，那是因为美日贸易摩擦愈演愈烈，为了破使日本打开国内市场，美国迫使日元升值。 随着日本政府有限妥协，及泡沫经济的彻底显现，从而使日元兑美元汇率一路走高。98年8月达到147.14日元兑1美元。显然JPY非平稳。 单位根检验 差分序列DJPY平稳的 差分平稳 ACF和PACF定阶建模 AR(3) or MA(3) 选择模型AR(3) 残差图 残差检验 输出结果 上半部分给出LM检验结果，拒绝原假设 存在2阶自相关 下半部分是检验自回归条件异方差的LM辅助自回归式子: ARCH模型定阶 建立ARCH(7)模型 多次尝试，选了滞后期7 剔除AR（2） 滞后项太多，尝试GARCH(1,1) 模型 残差QQ图 残差QQ图 GARCH-M模型 考察是否有必要将ht加入均值方程中去，不显著 考察信息冲击曲线对称性-不显著 EARCH---不显著 实例：估计纽约证券交易所综合指数 ARCH-M模型 条件异方差模型的扩展 GJR模型 反映波动率的非对称性 S-1是虚拟变量，如果?t-10，则S-1取值为1，如果?t-1?0则S-1取值为0。 通过画出响应曲线，看到市场利空和利好消息对波动率的不同影响 GJR模型 响应曲线 GARCH模型拟合步骤 回归拟合 残差自相关性检验 异方差自相关性检验 ARCH模型定阶 参数估计 正态性检验 例5.12 使用条件异方差模型拟合某金融时间序列。 回归拟合 拟合模型 参数估计 参数显著性检验 P值0.0001,参数高度显著 残差自相关性检验 残差序列DW检验结果 Durbin h=-2.6011 拟合残差自回归模型 方法：逐步回归 模型口径 异方差自相关检验 Portmantea Q检验 拉格朗日乘子（LM）检验 Portmantea Q检验 假设条件 检验统计量 检验结果 拒绝原假设 接受原假设 ARCH LM Test：拉格朗日乘数检验 建立辅助回归方程 原假设 可以证明：若H0为真，则 Eviews操作： ①先实施多元线性回归 ②view/residual/Tests/ARCH LM Test ARCH模型拟合 定阶：GARCH(1,1) 参数估计：极大似然估计 拟合模型口径：AR(2)-GARCH(1,1) 模型检验----标准化后残差是否服从标准正态 检验方法：正态性检验JB检验 假设条件： 检验统计量 检验结果 拒绝原假设 接受原假设 例5.12残差序列异方差检验 实际数据分析 以1995年1月至2000年8月日元兑美元汇率值序列ARCH建模分析(共1427个值） 日元兑美元汇率值序列JPY JPY(1995-2000)时序图 条件期望 无条件期望 条件方差 无条件方差 ARCH(1)过程的四阶矩特点 4阶矩是正的, 所以 , 峰度大于3, 厚尾的 ARCH(p)模型的性质总结 为了保证方差为正, 的无条件方差为 条件方差 条件分布是方差为异方差的正态分布, 但无条件分布是非正态分布,方差为常数 的厚尾分布 p越大,波动率相关程度越大 ARCH过程缺点总结 不能反应波动率的非对称特点 约束强，要求系数非负，如果要求高阶矩存在，还有更多的约束 不能解释为什么存在异方差，只是描述了条件异方差的行为。 建立ARCH模型 1）建立收益率序列的计量模型，去掉任何线 性关系，使用估计的残差检验ARCH效果 2）估计模型 3）检验ARCH模型，根据情况修改模型。 建立模型 1）建立一个计量模型ARCH过程最常见的应用是首先对收益率建立一个AR模型： 该方程被称为均值方程 建立模型 ARCH过程的平方是AR过程 建立模型 检验残差是否存在条件异方差 观察残差平方的偏自相关函数，如果q步截尾，则阶数为q 对残差平方使用Q检验，判断是否存在自相关 使用LM检验法 LM(McLeod-Li 拉格朗日乘数)检验 零假设H0：?i =0 对所有的 i=1,2,…,q，即不存在条件异方差性 检验统计量： LM=TR2 , T是样本点个数, LM服从?2(q)分布 如果没有GARCH效应,则 , R2应该很小. 建立模型 如果残差存在ARCH效果，对残差建ARCH 模型，ARCH模型被称为条件异方差。整体 模型可以称为AR-ARCH模型 使用极大似然估计法估计AR-ARCH模型：