波动率模型_ARCH_GARCH.pptx

金融时间序列 ;Dow Jones指数对数收益率折线图 (2010年);收益率ACF图;收益率平方折线图;收益率平方的ACF图;波动率聚集； 波动率以连续方式随时间变化，即波动率跳跃是很少见的； 波动率不发散到无穷，即波动率在固定的范围内变化，从统计学的角度说，这意味着波动率往往是平稳的； 波动率对价格的大幅上升和价格的大幅下降的反应不同。 ;对金融资产的收益率作折线图可以容易看到，收益率 的波动呈现出一段时间收益率波动比较大，一段时间 波动率收益率比较小，这种现象被称为波动率聚集 性。这说明方差随着时间的变化而变化，此时异方差 就不是一个可以忽略的问题。 波动率模型在金融领域主要有两个方面的重要作用： 衍生证券定价 风险管理;自回归条件异方差模型(ARCH);ARCH模型的定义：Engle(1982) ARCH(p)：p-阶自回归条件异方差过程 其中： 是未知参数。为了保证计算出的 条件方差是正数，要求 。为了保证 平稳，要求 。 ;以ARCH(1)为例：假设vt服从正态分布。令v1，v2… 是独立高斯白噪声过程，标准差为1。所以： 过程 是ARCH(1)过程，如果 满足下式： ;因为 是独立标准化白噪声过程，并且和 相互独 立，很容易证明 的无条件均值等于0，并且不相 关。 的无条件均值： 因为 ;εt 的无条件方差： εt均值等于0，不同时刻不相关，方差是常数，所 以ARCH(1)过程是弱白噪声过程。 ;εt 的条件均值： 条件方差： ARCH(1)过程{εt}的条件期望仍然是常数，但是条件 方差不再是常数。这样的过程根据定义是不相关的， 但是并不独立。 ;ARCH模型表明，如果εt-1异常地偏离它的条件期望， 那么εt的条件方差ht要比通常情况下大，所以有理由 预期εt会比较大，这样使得ht+1比较大；反之，如果 εt-1异常地小，那么条件方差ht要比通常情况下小，所 以有理由预期εt会比较小。这样使得ht+1比较小。虽然 方差大或小会持续一段时间，但是不会一直持续下 去，会回到无条件方差上去。无条件方差或者说边际 方差是一个常数。所以ARCH过程???应了金融资产聚 类的特点。;令 ，代入ARCH(1)的表达 式： 可以证明 是白噪声过程： 所以 的形式类似于AR(1)。虽然过程{εt}不相关，但 是过程 ，在 时的自相关函数为： ; 更高阶次的矩： 容易证明： 根据峰度的计算公式可以有两个结论： 4阶矩是正的，所以必须有 无条件峰度大于3，所以 的分布的尾巴比正态分布的尾巴厚。条件高斯ARCH过程比高斯白噪声过程产生更多的异常值。ARCH(1)过程的分布不是正态分布。 ;;AR(1)-ARCH(1)过程： AR(1)过程如下： 当 时， 是平稳过程。随机变量 的条件期望 是： 无条件期望为： 条件方差等于 减去条件期望，然后平方后求期望： 无条件方差等于： ;AR(1)-ARCH(1)过程： 条件期望为： 无条件期望为： 条件方差为： ;无条件方差为： AR(1)-ARCH(1)过程的条件均值和条件方差都随着 时间的变化而变化，但是无条件均值和方差是常数。 ;为了保证方差为正， 的无条件方差： 的条件方差： 的条件分布是正态分布，但边际分布是非正态分布，峰度大于3。 P越大，波动率自相关程度大。 值越大，波动率自相关程度越大。 ;建立收益率序列的计量模型（如ARMA模型），去掉任何线性关系，使用估计的残差检验是否存在条件异方差； 识别ARCH模型的阶数，估计模型； 检验ARCH模型的残差是否满足独立同分布条件，根据情况修改模型。;方法一：检验残差平方是否存在自相关。 计算出估计的残差值 或 ， 计算残差的无条件方差： 计算样本的自相关系数： 计算Q统计量。 ;ARCH-LM检验（自回归条件异方差-拉格朗日乘子 检验）Engle (1982) 计算残差用 表示，进行下面的回归分析： 零假设 ，即不存在条件异方差。对立假设 ：某个 即存在条件异方差。 检验统计量： T是样本个数。 用拟合优度。LM服从 分布。;确定阶数的方法可以观察时间序列 的自相关系数 和