2-纵向数据分析-ARCH.pdfVIP

内容 1 序列自相关及检验(ARMA) 2 平稳时间序列模型 3 非平稳时间序列模型 第一部分：纵向数据（时间序列）分析 4 协整和误差修正模型 (Time/Period Data) 5 条件异方差模型 –自回归条件异方差模型（ARCH） –非对称ARCH 自回归及相关模型 –成分ARCH 6 向量自回归和误差修正模型 –向量自回归 –误差修正模型 西安交大管理学院 2011-春 2 金融时间序列的特点 条件异方差模型 条件异方差模型 • 尖峰厚尾 （Leptokurtosis）：金融回报序列普遍表现出 • 尖峰厚尾 EViews 中的大多数统计工具都是用来建立随机变量的条件均值模型。 厚尾（fat tails ）和在均值处出现过度的峰度（excess peakedness），偏离正态分布。 本章讨论建立变量的条件方差或变量波动性模型。 • 就投资回报率而言，其分布的峰度比标准正态分布的峰度 高。这表明股票投资比其它行为对更多的人而言具有同向 建模并预测其变动性的几个原因: 影响，即市场具有收益时更多的人会有收益，市场亏损 时，更多的人会亏损，暴发户和暴跌户为少数。 （１）要分析持有某项资产的风险； • 厚尾意味着其波动持续时间较长。 • 波动丛集性 （volatility clustering ）和波动集中性 （２）预测置信区间可能是时变性的，可通过建立残差方差模型得到 （volatility pooling ），波动是自相关的 更精确的区间； • 正负冲击的非对称性：好消息和坏消息对投资者的影响 • 以上的这些特点，传统计量经济学的线性回归模型是无法 （３）如果误差的异方差是能适当控制的，就能得到更有效的估计。 解决的。回归的结果可能是错误的 1 自回归条件异方差模型 1 自回归条件异方差模型 恩格尔和克拉格（Kraft, D., 1983 ）在分析宏观数据时，发现这 (Autoregressive Conditional Heteroscedasticity Model，ARCH) 样一些现象：时间序列模型中的扰动方差稳定性比通常假设的要差。