第9章 条件异方差模型上课讲义.pptVIP

第九章 条件异方差模型（ARCH） ;第九章 条件异方差模型（ARCH） ;本章的知识框架;9.1 ARCH模型;9.1.1 ARCH(q)模型;9.1.1 ARCH(q)模型;ARCH(q)模型特点 ;如果时间序列的方差随时间变化，使用ARCH模型可以更精确地估计参数，提高预测精度，同时还可以知道预测值的可靠性。当方差较大时，预测值的置信区间就较大，从而可靠性较差；当方差较小时，预测值的置信区间就较小，从而可靠性较好。 ARCH模型的提出表明，经济时间序列中比较明显的变化是可以预测的，并且这种变化是来自某一特定类型的非线性依赖性，而不是方差的外生结构变化。;9.1.2 ARCH效应的检验;LM检验;F检验;F检验;残差平方相关图检验;9.2 GARCH模型;9.2.1 GARCH(p,q)模型;GARCH模型的基本性质;GARCH模型的基本性质;GARCH模型的基本性质;GARCH模型的不足;GARCH模型的不足;9.2.2 GARCH模型误差项分布假设与估计;?;?;9.3 IGARCH模型和GARCH-M模型;9.3.1 IGARCH模型;?;IGARCH模型其实是GARCH模型中的一种特例，其参数估计与检验方法与GARCH类似。 此外，它也可以作为一种估计方法，通过将方差方程中所有参数之和限定为1作为约束条件来进行一般GARCH模型的参数估计。;9.3.2 GARCH-M模型;9.4 非对称GARCH模型;9.4 非对称GARCH模型;9.4.1 AGARCH模型;9.4.2 TGARCH模型;9.4.2 TGARCH模型;9.4.3 EGARCH模型;9.4.3 EGARCH模型;9.4.4 PGARCH模型;?;9.5 成分GARCH模型;9.5.1 成分GARCH模型介绍;此外，在成分GARCH模型的条件方差中，可以包含外生变量，外生变量既可以放在长期方程中，也可以放在短期方程中。 短期方程中的外生变量将对波动产生短期影响，长期方程中的外生变量将对波动产生长期影响。;非对称成分GARCH模型;9.6 多元GARCH模型;9.6.1 VEC-GARCH模型;9.6.2 BEKK-GARCH模型;9.6.3 CCC-GARCH模型;?;?;?;9.6.4 DCC-GARCH模型;9.6.4 DCC-GARCH模型;DCC-GARCH模型把条件协方差矩阵分解成条件方差和条件相关系数矩阵两部分，然后各自进行参数化，这种处理方法降低了模型中待估参数个数，可以更好地描述不同时间序列之间的波动传递。 在实际估计过程中，Engle (2002)建议使用两步估计法估计参数，第一步估计每个序列的一元GARCH模型，第二步利用第一步的结果估计相关系数的参数。;9.7 EViews软件实现案???;?;图 9.2 估计结果;从上图可以看到各系数都较为显著，拟合优度较为理想。进一步对模型的残差序列进行ARCH效应的F检验和LM检验，在上图回归结果窗口选择“view / Residual Diagnostics/Heteroskedasticity Tests”,得到如下窗口：;然后选择ARCH并选择 检验的阶数，本例取默认值1，得到下图： 图 9.4 ARCH效应检验结果 图9.4中，第一行得到的是F检验的F统计量及其P值，第二行给出LM检验的LM统计量及其P值。很显然，F检验与LM检验在显著性水平为0.1的情况下都不显著，说明原假设成立，表示模型（1）不存在一阶ARCH效应。;方法二：残差平方相关图检验 重复方法一中OLS参数回归，然后在图9.2所示的窗口中选择“view / Residual Diagnostics/Correlationogram Squared Residual”,然后弹出对话框要求设定计算自相关和偏自相关系数的滞后阶数，这里选择默认的12阶，单击“ok”，得到下图： ;图 9.5 自相关和偏自相关系数检验结果 从图9.5可以看到，残差序列的一阶自相关系数与一阶偏自相关系数均不显著，说明模型（1）不存在一阶ARCH效应，这与方法一得到的结果是一致的。;9.7.2 GARCH模型实例;运用OLS对方程（1）回归并进行1阶滞后LM检验，得到如下结果： 图 9.6 ARCH效应检验结果 可以看到F统计量与LM检验统计量P值均为0，表示存在一阶ARCH效应。接下来利用GARCH（1，1）模型重新估计式（1）。;在EViews中建立GARCH（1，1）模型，点击“Object/New Object/Equation”，“Method”中选择ARCH，在弹出的新界面中，在“Mean equation（均值方程）”中输入“R C R(-4) R(-6) R(-