第五章波动率估计(garch模型).pptVIP

金融时间序列模型 第五章：波动率的估计 金融时间序列模型 其它ARCH类模型 ARCH(q)模型 引入GARCH模型的背景： ARCH模型虽然简单但为了充分描述波动性聚类的特点往往需要很多参数，即要提高ARCH模型的阶数p。但p较大时，参数估计不再精确，由此计算出的条件方差也不精确，存在较大误差。为克服这一问题，Bollerslev1986提出了广义的ARCH模型。 GARCH（p,q）广义条件异方差模型 GARCH(1,1) GARCH(1,1)过程的峰度公式 GARCH(1,1)过程的峰度刻画波动率的厚尾性 峰度=4阶原点矩/标准差的四次方 正态分布的峰度=3意味着 GARCH(1,1)过程的峰度 GARCH性质 1)当p=0时,GARCH过程成为ARCH过程,ARCH过程是GARCH的特例，这也是该过程被称为广义的原因。 2)GARCH过程的含义是条件方差ht是ht-1,…ht-p和?t-1,?t-q的函数。 3）参数?i , i=1,2,…,q和?i , i=1,2,…,p大于零是保证条件方差为正的充分条件,而不是必要条件。 4)可以证明 {?2t}平稳的条件是?1+…+?q+?1+…+? p <1。 GARCH预测 考虑GARCH(1,1)模型，假定T为预测原点。对向前一步预测，我们有， GARCH（1，1）的向前多步预测 一般地，GARCH(1,1)模型的向前预测l步的公式 练习题1：求GARCH(1,2)的向前一步和向前两步预测公式 GARCH(1,2)模型： 实际例子5.2 实际例子5.3 ARCH与GARCH模型一些共同的缺点 不能反应波动率的非对称特点 约束强，要求系数非负，如果要求高阶矩存在，还有更多的约束 不能解释为什么存在异方差，只是描述了条件异方差的行为 GJR模型 反映波动率的非对称性 S-1是虚拟变量，如果?t-1<0，则S-1取值为1，如果?t-1?0则S-1取值为0。 通过画出响应曲线，看到市场利空和利好消息对波动率的不同影响 GJR模型 响应曲线 EGARCH指数广义条件异方差模型 EGARCH模型 1）重要特征是引入不对称性 2）参数没有大于0的约束，因为对求对数后的条件方差建模，，可以保证方差为对数。 3）可以假设?t~广义误差分布 4）假设vt是正态分布时E(|vt|)= (2/?)1/2 ARCH-M模型 * * Vt是独立白噪声过程 为反映收益率波动的异方差性， ARCH模型将条件方差 表示为滞后残差平方的线性函数 相比ARCH模型： 1) GARCH (p,q)模型是ARCH模型的扩展,即GARCH模型的条件方差不仅是滞后残差平方的线性函数,而且是滞后条件方差的线性函数。 2) GARCH模型适合在计算量不大时,方便地描述了 高阶的ARCH过程,因而具有更大的适用性 ht是条件方差，随时间变化而变化。 无条件均值 无条件方差 GARCH(1,1)的性质： 1) GARCH(1,1)等价一个无穷的ARCH过程 是无穷阶ARCH过程 2) 过程 是一个ARMA(r,p)过程,其中 对于GARCH(p,q), 变形有 令 合并同类项有 时 时 满足： 但 一般不是独立同分布的 而 GARCH性质 于是 对向前多步预测，我们用 将 GARCH(1,1)公式改写为 从而得GARCH(1,1)以T为预测原点的向前两步预测公式 利用 对上式重复迭代我们得到向前l步预测能够写成 GARCH(1,1)的无条件方差 是独立同分布的白噪声过程，并且 ARMA和GARCH过程的比较 性质 髙斯 白噪声 ARMA GARCH ARMA-GARCH 条件均值 条件方差 条件分布 边际均值和方差 边际分布 常数 常数 正态 常数 正态 非常数 常数 正态 常数 正态 0 非常数 正态 常数 厚尾 非常数 非常数 正态 常数 厚尾 ?>0同等程度的正扰动引起条件方差的变化比负扰动要大；?<0同等程度的正扰动引起条件方差的变化比负扰动要小; ?=0同等程度的正扰动引起条件方差的变化与负扰动相等。 g()是条件方差的函数通常是ht ，ln ht