ARCH模型以及编程实现

ARCH模型以及编程实现

ARCH模型的引入

传统的ARIMA模型拟合非平稳时间序列，残差序列 { ε t } \{\varepsilon_t\} { εt​}通常满足下面的三个假定条件

1. 零均值
   $$E({\epsilon }_t)=0$$

2. 纯随机
   $$Cov({\epsilon }_t,{\epsilon }_{t-i})=0,\forall i\ge 1$$

3. 方差齐性
   $$Var({\epsilon }_t)={\sigma }_t^2$$

传统的ARIMA模型假定时间序列的长期方差是相同的，但是，通常情况下，时间序列的存在异方差的，即
$$Var({\epsilon }_t)=h(t)$$
根据以上条件，我们可以得出，残差序列的方差就是它平方的期望，即
$$Var({\epsilon }_t)=E({\epsilon }_t^2)$$

我们可以根据残差平方图${\epsilon }_t$关于$t$变化的二维坐标图，对方差齐性直观判断。

我们对存在异方差的时间序列有两种处理方式

1.如果已知异方差函数具体形式，进行方差齐性变化

2.如果不知异方差函数具体形式，拟合条件异方差模型，即ARCH

异方差性检验

Q检验

原假设$H_0:$残差平方序列纯随机，即${\rho }_1={\rho }_2=\cdots ={\rho }_q=0$
备择假设$H_1:$残差平方序列具有自相关性，即${\rho }_1,{\rho }_2,\dots ,{\rho }_q$不全为$0$

检验统计量
$$Q(q)=n(n+2)\sum _{i=1}^q\frac{{\rho }_i^2}{n-i}$$

其中，$n$为观察序列长度，${\rho }_i$为残差序列延迟i的自相关系数，设

$${\hat{\sigma }}^2=\frac{{\sum }_{i=1}^n{\epsilon }_i^2}{n}$$

则
ρ i = ∑ t − i = 1 n ( ε t 2 − σ ^ 2 ) ( ε t − i 2 − σ ^ 2 ) ∑ t = 1 n ( ε t 2 − σ ^ 2 ) 2 \rho_i=\sqrt{\frac{\sum_{t-i=1}^{n}(\varepsilon_t^2-\hat{\sigma}^2)(\varepsilon_{t-i}^2-\hat{\sigma}^2)}{\sum_{t=1}^n(\varepsilon_t^2-\hat{\sigma}^2)^2}} ρi​=∑t=1n​(εt2​−σ^2)2∑t−i=1n​(εt2​−σ^2)(εt−i2​−σ^