[自然科学]第十六章 ARCH和GARCH估计.pptVIP

8. 残差检验/ARCH LM拉格朗日乘子检验 通过拉格朗日乘子检验来检验标准残差中是否显示了额外的ARCH项。如果正确设定方差方程，那么在标准残差中就不存在ARCH项。请见第十四章关于ARCH拉格朗日乘子检验的论述，也可参照Residual Tests/Correlogram Squared Residuals。 二、ARCH模型的方法 1．构造残差序列 将残差以序列的名义保存在你的工作文件中，你可以选择保存普通残差 或标准残差 。残差将被命名为RESID1，RESID2等等。可以点击序列窗口中的name按钮来重新命名序列残差。 2．构造GARCH方差序列 将条件方差 以序列的名义保存在工作文件中。条件方差序列可以被命名为GARCH1，GARCH2等等。取平方根得到如View/Conditional SD Gragh所示的条件标准偏差。 3．预测 例3 假设我们估计出了如下的ARCH(1) (采用Marquardt方法)模型： (ARCH3方程，留下2001年10月—2001年12月的3个月做检验性数据) 使用估计的ARCH模型可以计算因变量的静态的和动态的预测值，和它的预测标准误差和条件方差。为了在工作文件中保存预测值，要在相应的对话栏中输入名字。如果选择了Do gragh选项EViews就会显示预测值图和两个标准偏差的带状图。 估计期间是1/03/1998- 9/28/2001，预测期间是10/02/2001 - 12/31/2001左图表示了由均值方程和SP的预测值的两个标准偏差带。 4、补充说明 上面描述的几种检验结果都是根据标准残差 计算得出的，标准残差 被定义为传统的均值方程中的残差除以条件标准差。 如果正确设定模型，标准残差应该是独立同分布的随机变量，并且均值为0，方差为1。如果标准方差还服从正态分布，那么估计值就是渐进有效的极大似然估计。然而，即使残差的分布不是正态的，估计值在准极大似然(QML)的假设下仍是一致的。 为了用QLM计算有效的推论，当然应该使用Heteroskedasticity Consistent Covariance选项估计标准误差。 §16.5 非对称ARCH模型 对于资产而言，在市场中我们经常可以看到向下运动通常伴随着比同等程度的向上运动更强烈的波动性。为了解释这一现象，Engle（1993）描述了如下形式的对好消息和坏消息的非对称信息曲线： 波动性 0 信息 EViews估计了两个考虑了波动性的非对称冲击的模型：TARCH和EGARCH。 §16.5.1 TARCH模型 TARCH或者门限（Threshold）ARCH模型由Zakoian(1990)和Glosten，Jafanathan，Runkle(1993)独立的引入。条件方差指定为： (16.16) 其中，当 时， ；否则， 。 在这个模型中，好消息 和坏消息 对条件方差有不同的影响：好消息有一个 的冲击；坏消息有一个对 的冲击。如果 ，则信息是非对称的，如果 ，我们说存在杠杆效应，非对称效应的主要效果是使得波动加大；如果 ，则非对称效应的作用是使得波动减小。许多研究人员发现了股票价格行为的非对称的实例 负的冲击似乎比正的冲击更容易增加波动。因为较低的股价减少了相对公司债务的股东权益，股价的大幅下降增加了公司的杠杆作用从而提高了持有股票的风险。 估计TARCH模型，要以一般形式指定ARCH模型，但是应该点击ARCH Specification目录下的TARCH(asymmetric)按钮，而不是选择GARCH选项。 例