第6章条件异方差模型.pptVIP

§6-1 自回归条件异方差模型 异方差的定义 如果随机误差序列的方差会随着时间的变化而变化，这种情况被称作为异方差。 异方差的影响 忽视异方差的存在会导致残差的方差会被严重低估，继而参数显著性检验容易犯纳伪错误，这使得参数的显著性检验失去意义，最终导致模型的拟合精度受影响。 异方差处理方法 (1) 假如已知异方差函数具体形式，进 行方差齐性变化。 常用变换：对数变换 (2) 假如不知异方差函数的具体形式， 拟合条件异方差模型。 6.1.1 ARCH模型 （Engle1982提出） 假定： 原理 通过构造残差平方序列的自回归模型来拟合异方差函数 ARCH(q) 模型结构 * * 第六章 条件异方差模型 自回归条件异方差模型 非对称的ARCH模型 成分ARCH模型 GARCH模型 金融时序的基本特征： 回报序列的实际分布呈现“尖峰、细腰、厚尾”特征； 回报的波动性呈现出集聚性和爆发性。 金融市场尤其是股票市场，价格运动与波动性负相关，即负的回报比正的回报导致更大的条件方差，这种现象被称为“杠杆作用”）； 回报的波动性表现出持久性，即对波动性的冲击要持续一段时间才会消失； 回报的波动性受金融资产期限长短的影响，并且，随着时间的推移，波动性呈现出向某个长期水平收敛的趋势，即出现“均值回复”现象。 回报序列呈现出明显的自相关性，有时尽管回报序列本身不相关，但它的平方序列是相关的，且比回报序列显著得多。 ARCH模型 GARCH模型 GARCH模型的变体 EGARCH模型 TARCH模型 GARCH-M模型 CARCH模型 条件方差 非负约束 ARCH模型的意义： 通过对过去p期非预期的回报(μt)的平方的移动平均来捕获回报序列的条件异方差性。 如果在今天之前的的第m期（m≤p），无论市场向哪个方向作了大幅度的运动，都会使得今天的条件方差增加，意味着今天的市场更有可能出现大幅度的运动。 ARCH模型的局限性： 在实际应用中为得到较好的拟合效果常需要很大的阶数p，导致： 增大待估计参数的个数； 引起多重共线等问题。 6.1.2 GARCH模型 (Bollerslev1987年提出) 一、使用场合 ARCH模型适用于异方差函数短期自相关过程 GARCH模型适用于异方差函数长期自相关过程 二、GARCH模型结构 ——均值方程 —条件方差方程 ARCH项 GARCH项 GARCH(p,q)模型等价于ARCH(∞)模型，但待估计参数大幅度减少。 GARCH(1,1)是实际中最常见的模型，它只有一个滞后的非预期回报平方项和一个自回归项。 回报系数0.25 滞后系数0.7 ☆ 参数α和β的大小决定了波动序列的形状： (1)大的滞后系数β意味着对条件方差的冲击经过相当长一段时间才会消失，因此波动是持续的； (2)大的回报系数α意味着波动性对市场运动反应迅速，因此波动性是长而尖的。 ☆ 常数项ω决定了波动性的长期平均水平。 模型特点 三、残差不同分布假设下的GARCH(1,1)模型 残差正态分布下： 2. Student’s t 分布下GARCH(1,1)模型： Γ(·）——γ函数，ν——自由度 3. 广义误差分布(GED)下的GARCH(1,1)模型 6.1.4 ARCH效应的检验 (是否存在条件异方差) 1. ARCH LM Test（Views/Residual Test/…） ARCH本身不能使标准的OLS估计无效，但忽视ARCH影响可能导致有效性降低。 H0：残差序列中直到p阶 都不存在ARCH效应 检验回归式： F 统计量：检验残差平方滞后项的联合显著性。 T×R2统计量~χ2(p） 输出结果： 残差平方相关图（ACF、PACF） (Views/Residual Test/ Correlogram Squared Residuals 判断准则： 如果残差序列不存在ARCH效应，自相关系数和偏自相关系数在所有的滞后阶数均应为0，且Q统计量不显著。 反之，则说明残差序列存在ARCH效应。 即：ACF、PACF均在置信区间内， Q 统计量的p 值 0.05 [例6.1]上证综指日收盘价波动性的ARCH效应检验 样本期：2000年1月4日~2005年12月7日 样本容量：1523 处理方式：价格序列取对数；求对数收益率 结论： （1）对数价格序列为一单位根过程： ln(sp)t = γln(sp)t-1+ ut （2）残差序列ut存在ARCH效应。 （3）对数收益率序列ret=ln(spt/s