第四章非平稳序列的随机分析.ppt

ARCH模型定阶与参数估计 LM检验结果显示1阶至12阶ARCH模型均显著成立。这使得我们的定阶工作非常困难。不妨指定一个略微高一些的回归阶数，通过逐步回归的方法确定自变量的阶数。 本例中尝试拟合模型ARCH(5)，逐步回归删除不显著的参数，最后得到的是模型是ARCH(3) 条件方差与无条件方差 原序列的无条件方差为0.00342，根据这个方差得到的置信区间为两条平行线（黑色虚线）。而ARCH(3) 模型得到的条件方差则根据序列的历史信息能及时进行调整，更能快速捕捉集群性特征，使得置信区间（红线）更准确。 * GARCH模型产生背景 Engle(1982)提出ARCH模型之后，在金融界引起强烈反响，以前不具有预报性的大量金融时序可以采用ARCH 模型进行进一步信息提取，创造了实用的波动性分析和预测方法。 ARCH模型的实质是使用误差平方序列的q阶移动平均拟合当期异方差函数值。由于移动平均模型具有自相关系数 阶截尾性，所以ARCH模型实际上只适用于异方差函数短期自相关过程。 但是在实践中，有些残差序列的异方差函数是具有长期自相关性的，这时如果使用ARCH模型拟合异方差函数，将会产生很高的移动平均阶数，这会增加参数估计的难度并最终影响ARCH模型的拟合精度。 GARCH模型的结构 为了修正这个问题，Engle的学生Tim Bollerslev在1985年提出了广义自回归条件异方差（Generalized Autoregressive Conditional Heteroskedastic，GARCH）模型 GARCH(p,q)模型的结构如下 GARCH模型的实质 GARCH 模型实际上就是在ARCH模型的基础上，增加考虑了异方差函数的p阶自相关性。它可以有效地拟合具有长期记忆性的异方差函数 ARCH模型是GARCH 模型的一种特例 ARCH(q)模型实际上就是p=0的GARCH(p,q)模型 AR-GARCH模型 对序列 拟合GARCH模型有一个基本要求： 为零均值，纯随机、异方差序列。有时回归函数 不能充分提取原序列中的相关信息， 可能具有自相关性，而不是纯随机的。这时需要对 先拟合自回归模型，再考察自回归残差序列 的方差齐性，如果 异方差，对它拟合GARCH模型。这样构造的模型称为AR-GARCH模型 模型结构 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4.13 分析拟合1979年12月31日—1998年12月31日外币对美元的日兑换率序列 水平相关信息拟合 回归模型拟合 残差自相关性拟合 ARCH检验 Q检验和LM检验均显示残差序列拒绝方差齐性假定，残差平方序列具有显著的相关性。 模型定阶 首先尝试构建ARCH(q) 模型，当q=5时，模型拟合结果显示 中的六个参数均显著。这意味着序列的波动具有长期相关性。如果用ARCH模型拟合可能需要很大的q值。所以应该尝试GARCH模型 GARCH建模 构建GARCH(1，1)模型 日元对美元汇率序列拟合模型 AR(1)-GARCH(1,1)模型 波动性建模效果图 残差的95%置信区间 GARCH模型的评价 GARCH模型类似于对条件方差构造ARMA模型，可以用更简洁的模型结构拟合波动率的长期影响 GARCH 模型的出现，为大量的金融序列提供了有效的分析方法，它是迄今为止最常用、最便捷的异方差序列拟合模型。但大量的使用经验显示，它也存在一些不足 GARCH模型的不足 它对参数的约束条件非常严格。 无条件方差必须非负的要求，导致了参数非负的约束条件 有条件方差必须平稳的要求，要求参数有界 参数的约束条件一定程度上限制了GARCH模型的适用范围 GARCH模型的不足 它对正负扰动的反应是对称的。 扰动项是真实值与预测值之差。如果扰动项为正，说明真实值比预测值大，对于投资者而言就是获得超预期收益。如果扰动项为负，说明真实值比预测值小，对于投资者而言就是出现了超预期的亏损。 以 模型ARCH（1）为例， ，无论 是正是负，它对下一期的影响系数都是 。这意味着无论上一期的投资是收益还是亏损，不影响投资人的下一期投资状况，这与实际情况不符。 大量的实践经验显示，投资人在面对收益和亏损时的反应不是对称的。出现收益时，通常反应比较慢；出现亏损时，通常反应比较快。忽视这种信息的不对称性，有时会影响预测的精度。 GARCH 衍生模型 基于GARCH模型的这些不完善的地方，产生了很多GARCH衍生模型。 我们在此介绍使用最多、发