现代金融研究专题--ARCH和GARCH模型解析.ppt

类似地，在ARCH模型中峰度K 则在GARCH模型中峰度K * ppt课件 3.2 正态-GARCH极大似然估计 完整的GARCH模型分为均值方程和方差方程 均值方程可以设定要根据不同的意义设定 或者 * ppt课件 3.2 GARCH极大似然估计 * ppt课件 3.2 GARCH极大似然估计 由于时间序列y抽样的时候是独立，则对于所有的联合概率密度函数有f(y)，等于边际密度的乘积 说明：对于三个独立的事件A、B和c同时发生的概率是A、B和C三者概率的乘积。同样在从时间序列抽取的样本中，这些样本既然被抽取了，便表示他们同时发生了，似然函数就是同时发生的概率。 * ppt课件 将似然函数取对数，构造对数似然函数 * ppt课件 建立似然方程 运用osl回归得到初始参数的值，作为迭代的初始值 选择对条件方差参数的一些初始值。如设定为无条件方差，或者0 设定收敛准则，对于Eviews默认的收敛为0.001 算法：Berndt等（1974）提出的BHHH算法 * ppt课件 中石化：正态-GARCH（1，1） * ppt课件 中石化：osl回归 * ppt课件 现代金融研究专题 GARCH模型 * ppt课件 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 * ppt课件 * ppt课件 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 * ppt课件 峰度K=8.91，大于标准峰值3，具有尖峰特征， 偏度S= 0.750， 具有右厚尾的特征 。 注： 1、偏度（Skemness)反映的是序列分布密度对称性的指标。 若偏度大于0，则分布是右偏或正偏。反之,若偏度小于0，称分布是左偏或负偏。它一般是由序列的三阶矩计算 * ppt课件 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： 一般服从正态分布时偏度值K应有K～N(0 ,6/ n) ,在本次检验中95 %置信度时的置信区间应为( - 0.0077 , 0.0077) ,0.0077=1.96*6/1520, 因此0.7514不在此区间内，故不服从正态分布。另外，如果样本数据完全服从标准正态分布时,峰度值K应有K～N(3 ,24/ n) ,在本次检验中95 %置信度时的置信区间为(3 – 0.031 ,3 +0.031)=(2.969,3.031) ,其中0.031 = 1.96 ×24/ 1520。而该样本的峰度值是8.916 ,不在置信区间内,因此不服从正态分布。 * ppt课件 金融系列波动的丛集性特征。 如图所示，为上证指数对数日收益率时间序列图，从图中直观可见，收益率存在着丛集性效应(即一次大的波动后往往伴随着大的波动，一次小的波动后往往伴随着小的波动)。 * ppt课件 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！ * p