GARCH模型与波动性建模课件.ppt

*GARCH模型在研究股市波動中應用(續)*GARCH模型與波動性建模不確定性是現代經濟和金融理論經常涉及到的一個焦點問題。圖9.1上證指數日收益率時序圖（1990.12.19—2001.07.31）問題：如何刻畫金融市場收益（波動聚集特徵）的不確定性？*ARCH模型的概念與性質金融時間序列“波動聚集”效應，即異方差（時變方差）。如何刻畫時變波動率（time-varyingvolatility）？深圳指數日收益率時序圖（1991.04.03—2001.07.31）AutoregressiveConditionalHeteroskedasticityWithEstimatesoftheVarianceofUKInflation,Econometrica,50(1982):987-1008.*1、條件預測優於無條件預測條件異方差問題平穩的ARMA模型：條件預測：條件預測誤差的方差：無條件預測是序列的長期均值無條件預測誤差的方差：*但上述模型事先假定了可變方差是由一特定外生變數產生的，選擇的理由未必充分！！上述分析假定擾動項的方差為常數，但實踐表明，許多經濟時間序列都存在變異聚集的特點，即具有條件異方差特性。變數方差變異的途徑之一：引入一個獨立變數變數方差變異的途徑之二：借用時間序列建模的思想，對條件方差的動態變化特徵進行建模，即ARCH模型。條件異方差問題*其中，X是外生變數向量，它可以包含被解釋變數的滯後項，

是回歸參數向量；為T時期以前的資訊集,是一個元非負函數。稱服從

階自回歸條件異方差模型。

一般定義：ARCH模型模型：*顯然：特別，對進行一定的假定，設定其生成過程為某種特殊形式。即ARCH模型即：*結論1、的無條件均值和方差不會受的生成過程的影響。考察ARCH(1)模型ARCH模型的性質*結論3、誤差項的ARCH結構將影響序列的變異特徵。結論2、的條件均值為0，但條件方差依賴於上一期的實現值。ARCH模型的性質*模型：ARCH模型的估計：MLEARCH模型的估計與檢驗則：其中：*對應於觀測樣本，樣本對數似然函數為：將上述似然方程關於參數向量極大化，就得到參數向量的極大似然估計。在實際應用中，可借助軟體包（EVIEWS、R）進行計算。ARCH模型的估計*基本思想：檢驗隨機擾動項是否服從ARCH過程，主要是考察隨機擾動項的條件異方差的係數。

隨機擾動項無ARCH效應

ARCH效應的拉格朗日乘數檢驗ARCH模型的檢驗具體步驟：第一步：在原假設下用OLS方法估計約束模型：第二步：計算殘差序列與殘差平方序列，然後估計如下模型（輔助回歸）：*第三步：計算拉格朗日乘數統計量LM的值。可以證明，在零假設成立的條件下，LM漸進服從。因此，給定顯著性水準，若，則說明輔助回歸方程顯著，從而就拒絕零假設，從而拒絕隨機擾動項不存在ARCH效應的原假設，說明隨機擾動項存在ARCH效應。反之亦然。ARCH模型的檢驗*BOLLERSLEV(1986)借助ARMA模型的建模思想，對ARCH模型進行了拓展，建立了GARCH模型，來彌補待估參數過多所帶來的缺陷。在實際應用中人們發現，為了描述變數的變異聚類特性，有時需要運用高階ARCH模型。問題：高階ARCH模型對應過多的參數，在樣本有限的情況下，參數估計的效率就會降低，有時甚至會出現估計參數為負的情況。GARCH模型*其中，。顯然，ARCH模型看成是GARCH模型的特殊情形G