ARCH和ARCH模型解析.ppt

现代金融研究专题 GARCH模型 1、金融时间序列的特点 尖峰厚尾（Leptokurtosis）：金融回报序列普遍表现出厚尾（fat tails）和在均值处出现过度的峰度（excess peakedness），偏离正态分布。 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。 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（ volatility pooling），波动是自相关的 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解决的。回归的结果可能是错误的 1、金融时间序列的特点 实证结果表明：金融资产的回报率并不完全满足正态分布 对深市2000.1.4~2006.5.9日回报率样本偏度是0.75，峰度是8.91。 由于大多数的金融资产具有明显的重尾性，可以采用两种方法进行改进 条件分布：ARCH和GARCH 寻找其他分布形式来描述，主要有t分布，GED分布和gh分布 峰度（Kurtosis)是用来测定序列分布的形状，一般以正态分布的峰度（=3）为标准，若峰度大于3，则表示该分布具有尖峰厚尾的特性；反之，若峰度小于3，则表示该分布具有低峰薄尾的特征。若峰度值较大，是由于存在大幅度偏离均值的异常值所造成的。峰度由序列的四阶矩来度量： 2 ARCH模型 ARCH，autoregressive conditionally heteroscedastic，自回归条件异方差模型 条件：在时间序列中，给出不同的时点的样本（对于不同时点的观测值），得到残差的方差是不同的，故方差随时间给出的条件而变化，即异方差。 自回归：残差平方服从AR(p)过程: ut=ρ0+ρ1ut-1+ρ2ut-2+……+εt 若线性回归模型的误差实际上是异方差，却被假定为同方差，这就意味着标准误差的估计值是错误的。 此时，参数的估计量的方差是有偏估计（或者不收敛，是时变的），统计检验和置性区间就不正确！ 普通最小二乘估计（OSL）：回归直线要使得残差平方和最小。 异方差存在时，普通最小二乘估计法给误差方差大的观测值以较大的权重，给误差方差小的观测值以较小的权重。 回归结果：使得残差平方和最小，故产生一个后果，只要方差大的那部分数据得到很好的拟合，这样普通最小二乘不再是有效的——参数估计量的方差不再是最小的方差。 这样由OSL估计得到的参数估计量的方差是“伪方差”，无法证明回归参数与真实值的关系。 单指数模型的伪回归：中国银行 单指数模型的伪回归：中国银行 2.1 条件矩 条件均值 对于时间序列x的每个值都存在一个时间序列y的条件分布 回归与条件均值 2.2 ARCH模型的导出 正态-ARCH（q） 随机过程的平稳性 平稳性：若随机过程的随机特征（如均值，方差）不随时间发生变化，则称该过程是平稳。 区别：条件方差是时变的，故其为一个分布，但是该分布却是平稳的，即平稳随机过程的随机性质不随时间而变。 平稳性的优点：（1）可用系数方程将时间序列的模型化；（2）方程的系数可以利用序列的过去数据来估计得到. 2.3 ARCH（1）模型的参数约束 由残差序列的平稳性可知 ARCH的参数的约束 残差序列ut的无条件峰度K ARCH与厚尾性 参看均值方程的情形，若假设某资产的回报率满足 实证：中石化ARCH（1） ARCH的缺陷 ARCH模型对参数的限制非常严格。ARCH（1）对于参数给出的非常严格的限制，并且随着ARCH阶数的增加，其限制将更为复杂，在实际的回归过程中，可能很难满足这样的条件。 ARCH（1）描述金融时间序列是不够的，ARCH（P）需要大量的参数估计，且要保证所有的参数均满足参数约束是很困难的，以及保证显著性是很困难的。 现在，ARCH主要是用来检验金融时间序列是否具有条件异方差效应，即ARCH检验。 2.4 ARCH效应检验 （1）进行均值方程的回归，可以采用普通的一元或者多元回归，或者是AR(n)的均值方程，均值方程的构建取决于金融学的研究目的 AR(m)-ARCH（p） ARCH效应检验 （2）根据ARCH模型的定义 ARCH效应的检验：中国银行 3 GARCH模型 广义的ARCH模型（Generalized autoregressive conditionally heteroscedastic）是由Engle的学生Bollerslev（1986）和Taylor（1986）各自独立的发展起来的。GARCH模型允许条件方差依赖自身的前期，最简单为GARCH(1,1) GARCH模型的优点