人民大金融计量学：基于R和PYTHON教学课件2.pptx

第四章 GARCH族模型 学习目标了解各种GARCH族模型熟悉GARCH族模型的特点与作用掌握GARCH族模型的建模方法了解沪深300指数的构成原理，指数构建的科学性和合理性。 本章导读经典的线性模型一般假设时间序列具有同方差，然而在实际的金融时间序列中，许多金融时间序列却表现出异方差特征，并且波动呈现时变性和聚集性等特征。波动性建模最基本的方法是自回归条件异方差模型ARCH模型。GARCH模型是对ARCH模型的重要推广，此后几乎所有ARCH模型的新成果都是基于GARCH模型得到的。本章将介绍GARCH族及其拓展模型。沪深300指数比较准确地反映了我们资本市场的统计指标，为指数投资产品的创新和发展提供了基础条件，通过学习该指标的设计和运行规律，有利于全面把握我国股票市场总体运行状况，增强我国金融服务实体经济的信心。 4.1波动率模型的特征及结构 4.2 ARCH模型4.3 GARCH模型4.4 IGARCH模型4.5 GARCH-M模型4.6 指数GARCH模型4.7 TGARCH模型4.8 APARCH模型4.9基于GARCH模型的沪深300指数建模与应用目录CONTENTS 波动率模型的特征及结构4.1 4.1.1波动率的特征 波动率(Volatility)是指金融资产价格的波动程度，是对资产收益率不确定性的衡量，用于反映金融资产的风险水平。波动率的特征：波动率越高，金融资产价格的波动越剧烈，资产收益率的不确定性就越强；波动率越低，金融资产价格的波动越平缓，资产收益率的确定性就越强。波动率就是收益率的条件标准差。许多金融时间序列中会出现波动集群，也就是波动是时变的，集群现象反映了金融时间序列具有较高的异方差性。 4.1.1波动率的特征 以海信视像股票从2016年1月4日到2021年12月31日的日对数收益率为例子（共1460个观测值）。从图4.1可看出：该时间序列存在波动率聚集，即在某个特定时间段上波动率高，而在其他时间段上波动率较小。波动率随时间以连续方式变化，波动率的跳跃是罕见的，且在一个固定范围内变化，这意味着波动率通常是平稳的。波动率对于市场好坏消息的反应不同，坏消息对波动率的影响更大，存在杠杆效应。 R代码 d-read_table(E//jrj1/Chapter4/hxsx.txt,header=T) #读取文件hxsx.txt d=na.omit(d) #删除带na值行 head(d) #读取d中的前几条 library(xts) #载入xts包 r=log(d$sr+1) #用简单收益率求对数收益率 rnt=ts(r,frequency=250,start=c(2016,1)) #建立时间序列，数据从2016年1月份开始 plot(rnt, xlab=年份,ylab=对数收益率,cex.lab=2) #数据可视化 4.1.2模型的结构? 4.1.2模型的结构? 4.1.2模型的结构例4.1 海信视像2016年1月4日到2021年12月31日的日对数收益率建模。从图4.1可以看出，海信视像股票的日对数收益率是平稳的、随机的，呈现出明显的波动聚集性。从图4.2 (a)图可看到，在滞后6、15阶时有显著的相关性，其他值均没有超过虚线，说明该序列存在低阶相关性。这从对数收益率时间序列的Ljung-Box检验Q(5)= 2.0093, p 值为0.8479，Q(10)= 11.895, p 值为0.2921也可得到验证。再看到绝对值序列的样本ACF的图（图4.2 b），大部分值都超过了虚线，因此可以看出具有序列相关性，对序列进行Ljung-Box检验得到Q(5)=125.05, p 值为0，Q(10)=180.26, p 值为0。海信视像股票的对数收益率序列是低阶相关的，但却不独立。 R代码 acf(r,lag=20, xlab=滞后数,main=(a)对数收益率的ACF估计) # 求收益率acf及可视化 acf(abs(r),lag=20, xlab=滞后数,main=(b)对数收益率绝对值的ACF估计) #对数收益率绝对值的acf检验及可视化 Box.test(r,lag=5,type=Ljung) #对收益率进行Box-Ljung白噪声检验 Box.test(r,lag=10,type=Ljung) Box.test(abs(r),lag=5,type=Ljung) Box.test(abs(r),lag=10,type=Ljung) ARCH模型4.2 4.2.1 ARCH模型的定义? 4.2.2 ARCH模型的性质? 4.2.2 ARCH模型的性质? 4.2.3 ARCH效应检验? 4.2.3 ARCH效应检验? R代码 l