第七讲 条件异方差模型应用.docVIP

七 条件异方差模型应用 【实验目的与要求】 准确掌握条件异方差模型的各种形式和基本原理。 熟练掌握检验ARCH效应的方法。 学会GARCH(1,1)模型和GARCH-M模型的建立及检验方法。 熟练掌握运用回归－ARCH模型对样本序列进行拟合和预测。 在老师的指导下独立完成实验，得到正确的结果，并完成实验报告。 【实验准备知识】 在金融时间序列的分析中，经常会遇到观测值在某个时间段变化幅度大，在另一个时间段变化幅度又比较小的情况。相应的，用模型预测的时候误差在某一时期里较大，而在另一时期里相对较小。这种性质被称为聚类性（Clustering）。这类序列随机扰动项的无条件方差是常量，而条件方差是变化的量，为了描述这类序列的特征，我们引入所谓的条件异方差模型。 ARCH模型 Engle于1982年提出的自回归条件异方差模型（Auto-regressive Conditional Heteroskedasticity model，ARCH模型）是最基本的模型。它的基本思想是：扰动项的条件方差依赖于它的前期值的大小。对于通常的回归模型 （7.1） 如果随机扰动项的平方服从AR(q)过程，即 （7.2） 其中为白噪声，满足~ IID(0, )。则称上述模型是自回归条件异方差模型，简记为ARCH模型。称序列服从q阶的ARCH的过程，记作~ARCH(q)。模型还可以写成 （7.3） （7.4） 其中~ IID(0, 1)。对于任意时刻t，的条件期望为0，条件方差为。为了保证为正值，要求0,≥0（i=1,2,3,4…q）。同时，为了保证ARCH过程的平稳性，要求1。 由于的均值近似等于（7.1）式的估计值，所以（7.1）式也称为均值方程，而（7.2）式或（7.4）式也称为条件方差方程。 从ARCH模型中可以看出，由于当期随机扰动项的方差是过去有限项随机扰动项值平方的回归，也就是说随机扰动项的波动具有一定的记忆性，因此，如果在前期随机扰动项的方差较大，那么当期随机扰动项的方差往往也较大，反之亦然。自回归阶数q决定了冲击的影响存留于后续随机扰动项方差中的时间长度，q值越大，波动持续的时间也就越长。因此，ARCH模型具有描述波动的聚类性的能力。 （7.1）式和（7.2）式构成的模型被称为回归－ARCH模型。ARCH模型通常用于对主体模型的随机扰动项进行建模分析。从而充分提取残差中的信息，使得最终的模型残差成为白噪声序列。 GARCH模型 许多经济问题常常出现的条件方差依赖于很多时刻之前的变化量的现象，这样如果使用ARCH模型，阶数q需要取一个很大的值。为了避免估计很多个参数，我们考虑使用广义自回归条件异方差模型（Generalized Auto-regressive Conditional Heteroskedasticicity model，GARCH模型），该模型由Bollerslev于1986年提出。相对于ARCH，GARCH模型的优点在于：可以用较为简单的GARCH模型来代表一个高阶ARCH模型，从而使得模型的识别和估计都变得比较容易。 若（7.4）式为下面的形式 （7.5） 则称序列服从GARCH(p,q)过程。其中，p≥0, q0,0,≥0（i=1,2,3,4…q）, ≥0（j=1,2,3,4…p）。可见，ARCH(q)过程只是GARCH(p,q)过程的一个特例。 同时，为了保证GARCH过程的平稳性，要求1。从另一个角度讲，可以说明外部冲击对干扰项的波动特征产生的影响将随时间的推移而逐渐衰减。以GARCH(1,1)模型为例，即，两边取期望可得 （7.6） 通过迭代，可得 …… （7.7） 从（7.7）式可以看出，当t时刻某外部冲击使条件方差发生变化时，t后一段时间内条件方差都会受到影响，其大小取决于。说明该冲击对未来各时刻的影响将呈指数衰减，称为衰减系数。越大，衰减的速度越慢。 ARCH-M模型和GARCH-M模型 一般来说，每个投资者都认为资产（尤其是金融资产）的收益率与其风险成正比，风险越大，预期的收益就越高。因此，为了更好地将收益与风险联系起来，将代表预期风险的条件方差（或者标准差）作为影响序列本身的解释变量之一，引入ARCH模型的均值方程中，这种模型被称为ARCH-M(ARCH-in-mean)模型。表达式为 （7.8） （7.9） （7.10） 其中，参数度量了条件方差对的影响程度，它代表了风险和收益之间的一种权衡。 如果条件方差的结构为GARCH(p,q)过程，即 （7.11） 则模型称为GARCH-M模型。GARCH