《时间序列分析》课件 第11章 ARCH模型与 GARCH模型.pptxVIP

时间序列分析张成思;

第11章ARCH模型与GARCH模型

11.1背景介绍

11.2ARCH模型

11.3GARCH模型

11.4非对称GARCH模型：TGARCH模型与EGARCH模型

11.5其他GARCH模型;

11.1背景介绍

AR模型因为自身经常表现出较高的平

滑性而可以用来捕捉相对频率较低的时间序列变量，如月度、季度通胀率、GDP增长率等。对这样的时间序列数据其进行AR模型回归之后的残差序列一般不表现出很强的异方差性。;

(%)

35T

30-

25

20-

15

10-

1997200020032006200920122015201820212024

(a)中国M2同比增长率;

(a)上海证券综合指数收益率

(%)

1992199620002008201220162024

(b)深圳成份指数收益率;

11.2ARCH模型

11.2.1ARCH模型的定义

ARCH模型的核心思想是，误差项在时刻t的方差依赖于时刻t-1的误差平方的大小。因此，在ARCH建模的过程中，要涉及到两个核心的模型回归过程，即原始的回归模型(常被称为条件均值回归模型)和方差的回归模型(条件异方差回归模型)。;

ARCH(1)模型的基本组成形式：

(13.1)

(13.2)

其中y,和分别表示因变量和自变量，U?表示无序列相关性的随机扰动项。σ2表示在t时刻随机扰动项的方差，因为方差随时间变化，并且以过去的扰动项的信息为变化条件，所以称为“条件异方差”。;

模型(11.1)表示原始回归模型，

在ARCH以及后面介绍的GARCH模型系统

中，经常被称为“条件均值等式”,

或者简称为“均值等式”。而模型

(11.2)体现的ARCH模型的核心内容，

该等式被称为“条件方差等式”,或者简称为“方差等式”。;

注意，凡是提到ARCH模型，实际

上一定包含模型(11.1)和(11.2)这样的两个等式，缺一不可。另外，“方差等式”模型(11.2)有时候也可以写成下面的形式，;

模型(11.1)和(11.2)构成了

ARCH(1)模型，而更一般的，我们可以

将这个模型系统拓展到ARCH(p)的形式，即：

y.=x?+1l,u~N(0,o);

0.24-;

可观察到，残差项自身在各期之间没

有表现出明显的自相关性，而其平方项呈现出较强的自相关性，说明残差平方项可能符合自回归模型的特点。

所以，我们可以通过u2的历史信息来

预测u2。一般情况下，我们经常会观察到残差平方项之间存在一定的正相关性。这就是我们常说的股票市场波动性的集群现象，从图13-2中我们已经看到这样的现象。;

ARCH模型突出了条件期望的概念，

而在传统的回归模型当中，我们以前经常使用的是无条件方差的概念。为了说明问题，我们以AR(1)模型

y,=C+φy?-1+U为例。

这里，对扰动项的无条件方差和条件方差可以分别写成：

无条件：u,～N(0,σ2)

有条件：u,～N(0,o2);;

的所有根都落在单位圆外。

u2的无条件期望：;

11.2.3ARCH模型的估计与检验

利用模型(11.7)还可以对回归模型的参差项

进行直接检验ARCH效应。步骤如下：

①首先利用OLS回归y,=xφ+u,获得残差序列u;

(2)然后回

(3)进行假设检验ARCHLMTest检验统计量的计算公式：

ARCH(LM)=T*R2;

由于GARCH(1,1)模型的方差等式比

ARCH模型的方差等式多了一项了便于区分，u-1被称为A