当代计量经济研究领域.pptVIP

6. ARCH、GARCH 模型分析 ARCH，GARCH模型可以预测被解释变量的方差。对于金融时间序列预测的是风险。 建立ARCH，GARCH模型可以提高均值方程参数估计的有效性。 序列的特征是“波动集群”、分布是“高峰厚尾” 日元兑美元汇率差分序列（收益）D(JPY) 高峰厚尾分布特征示意图 高峰厚尾分布曲线 正态分布曲线 （2）GARCH模型 （1）ARCH模型 xt = ?0 + ?1 xt -1 + ?2 xt -2 + … + ?p xt - p + ut ?t2 = ?0 + ?1 ut –1 2 + ?1 ?t -12 TARCH模型对于利好和利坏消息反应是不一样的 （3）TGARCH模型 （4）ABSGARCH /ARCH模型 另一种保证方差为正的模型形式是指数GARCH（exponential GARCH）， 记为EGARCH（Nelson 1991年提出）。其形式是 （5）EGARCH模型 （6）GARCH-M，ABSGARCH-M和EGARCH-M模型 把波动项引入相对应的均值方程中 （7）FIGARCH模型 ?d ? ? 0.5时，FIEGARCH具有二阶平稳性和可逆性。此模型既具有EGARCH模型特点。负冲击似乎比正冲击更容易增加波动，又具有长记忆性 Ln(?t2) = ? + ?(L)-1 (1- L) - d [1+?(L)] f (ut-1) f(ut) = ? ut+?[? ut ?-E? ut ? ] E[f(ut)] = 0 案例：日元兑美元汇率的建模研究 1995.1-2000.8日元兑美元汇率值（1427个）序列（JPY）见图。极小值为81.12日元，极大值为147.14日元。其均值为112.93日元，标准差是13.3日元。1995年4月曾一度达到81.12日元兑1美元。 JPY的差分序列D(JPY)表示收益。用D(JPY)建立时间序列模型。 图1 日元兑美元汇率（JPY）时间序列 图2 DJPY时间序列 通过相关图与偏相关图分析，应该建立一个AR(3)模型。 均值方程： ARCH (7)方程 ARCH (7) 模型的滞后项太多，应该尝试建立GARCH(1,1)模型 均值方程： GARCH(1,1)方程： 均值方程： 试做均值GARCH模型。结果显示没有必要建立 GARCH-M(1,1)模型 通过建立TARCH 模型考察新息冲击曲线的对称性 TARCH方程估计结果 因为ut –1 2 dt –1项的系数没有显著性，所以GARCH 模型中 不存在新息冲击曲线的非对称性 通过EARCH 模型考察新息冲击曲线的对称性。结果显示不存在明显的杠杆效应。 均值方程配以GARCH(1,1)模型是最合理的。 均值方程残差与GARCH(1,1)方程残差-5 的比较 谢谢. 混合回归模型（Pooled model） 如果一个面板数据模型定义为， yit = ? + Xit ? +?it, i = 1, 2, …, N; t = 1, 2, …, T 其中yit为被回归变量（标量），?表示截距项，Xit为k ?1阶回归变量列向量（包括k个回归量），?为k ?1阶回归系数列向量，?it为误差项（标量）。则称此模型为混合回归模型。混合回归模型的特点是无论对任何个体和截面，回归系数?和?都相同。 个体固定效应回归模型（entity fixed effects model） 如果一个面板数据模型定义为， yit = ?i + Xit ? +?it, i = 1, 2, …, N; t = 1, 2, …, T 其中?i是随机变量，表示对于i个个体有i个不同的截距项，且其变化与Xit有关系；yit为被回归变量（标量），?it为误差项（标量），Xit为k ?1阶回归变量列向量（包括k个回归量），?为k ?1阶回归系数列向量，对于不同个体回归系数相同，则称此模型为个体固定效应回归模型。 时点固定效应回归模型（time fixed effects model） 如果一个面板数据模型定义为， yit = ?t + Xit ? +?it, i = 1, 2, …, N 其中?t是模型截距项，随机变量，表示对于T个截面有T个不