ARCH模型课件.pptVIP

ARCH检验结论 显然，无论是ARCH-LM检验还是残差相关图检验，都显示P值很大，即残差的自相关关系不再显著，最终剩余的残差是真正的白噪声。 残差ARCH 效应检验结果表明深证综指收益率的自相关修正后的TARCH 模型的残差系列不存在ARCH 效应，即含有一阶非对称效应TARCH 模型较好的消除了深证综指收益率残差的条件异方差。因此，深证综指日收益率的TARCH模型能较好的反映收益率的波动变化。 总结 ARCH模型通常对主体模型的随机扰动项进行建模分析。以便充分的提取残差中的信息，使得最终的模型残差ηt成为白噪声序列。该残差最终消除了深证综指收益率波动的集群效应（即方差具有记忆性），这便是模型的精髓 。 整体思路： 1、自相关——均值方程 2、ARCH效应检验——方差方程（初步提取残差中的相关信息） 3、建模——最终残差（白噪声） 当代计量经济模型体系 波动模型种类 ARCH模型简介 ARCH模型是获得2003年诺贝尔经济学奖的计量经济学成果之一。被认为是最集中反映了方差变化特点而被广泛应用于金融数据时间序列分析的模型。 目前所有的波动率模型中,ARCH类模型无论从理论研究的深度还是从实证运用的广泛性来说都是独一无二的。 ARCH模型基本思想 在以前信息集下，某一时刻一个噪声的发生是服从正态分布。该正态分布的均值为零，方差是一个随时间变化的量(即为条件异方差)。并且这个随时间变化的方差是过去有限项噪声值平方的线性组合(即为自回归)。这样就构成了自回归条件异方差模型。 均值方程 方差方程 序列的特征是“波动集群”、分布是“高峰厚尾” 日元兑美元汇率差分序列（收益）D(JPY) 高峰厚尾分布特征示意图 高峰厚尾分布曲线 正态分布曲线 ARCH，GARCH模型可以预测被解释变量的方差。对于金融时间序列预测的是风险。 建立ARCH，GARCH模型可以提高均值方程参数估计的有效性。 案例：深圳综指的建模研究 选取深圳综指2007.1.4-2009.3.30间每个交易日收盘价P（共544个有效样本数据）作为样本序列。 用深圳综合指数收益率Rt=ln( pt/pt-1)建立时间序列模型（共543个有效样本数据） 。 Rt描述性统计（尖峰厚尾） 深证综指日收益率峰度为3.755，高于正态分布的峰度值3，说明深证综指具有一定的尖峰厚尾的特征，J-B检验也证实了深证综指日收益率的分布显著异于正态分布。 View-Descriptive Statistics-Histogram and Stats 平稳性检验 如果变量的时间序列是非平稳的，即使使用最小二乘法拟合模型的效果很好，建立的模型也可能由于序列的非平稳性而导致伪回归。因此，有必要在对时间序列分析前，先对序列的平稳性进行检验。 Quick-series statistics-unit root test 平稳性检验结果 单位根检验 平稳性检验结论 在1%、5%、10%的显著性水平之下，都拒绝有一个单位根的假设，说明深证综指收益率平稳。 这个结果与国外学者对发达成熟市场波动性的研究一致：金融资产的价格一般是非平稳的，而收益率序列通常是平稳的。 自相关检验 从深证综指收益率的自相关图可知:深证综指收益率与滞后1 阶、4 阶相关性相对较强，因此，应建立深证综指日收益率的自回归模型对深证综指收益率进行修正。 Quick-series statistics-correlogram 均值方程估计 由上述自相关（偏自相关）检验可知，应建立一个AR（4）模型。 即：Rt =a1Rt-1 +a2Rt-4 +ut 命令： LS R R(-1) R(-4) 参数估计 由参数估计结果可得以下结果：