GARCH模型自学笔记
在一般的时间序列分析中,我们首先会尝试建立AR、ARMA、VAR等模型,在合理范围内利用尽可能多的信息对因变量Rt进行描述。
对于一个良好的时间序列模型,其残差序列应该是一个白噪声序列。
然而,实践中有时我们会发现,模型的残差序列存在自相关性。检验残差序列若具有ARCH效应,则建立GARCH模型。
建模后,均值函数为基础时间序列模型的估计值序列,at(扰动项)为从残差中提取出来的可以进行解释的部分。
扰动项at服从均值为0,方差为σ^2的(分布类型取决于假设,一般为标准正态分布、标注学生t分布或广义误差分布)分布。
剩下的部分为新的残差序列(Residuals),应当为白噪声序列。
在条件异方差函数中,方差σ^2是一个关于多阶历史方差和扰动项平方的函数。(ARCH模型没有加入历史方差,截尾效应导致滞后阶数过大。GARCH模型解决了这一问题。)
如下图所示:
举个例子,我们建立了ARMA模型后,发现残差序列具有显著的自相关性(或者说具有ARCH效应),则建立ARMA-GARCH模型。
如下图:
与大多数的表达不同,我在扰动项at后边,特意又加了个残差序列(Residuals),意在强调建立GARCH模型后,新的ARMA-GARCH模型的残差序列应当是白噪声序列。
否则,我们也就失去了引入GARCH模型的意义。
以上为我对GARCH模型的学习总结。
本人使用R进行分析,R内很多Packages可以实现诸如平稳性检验、自相关性检验、白噪声检验等,具体建模过程不细展开。
感想:
GARCH模型解决了时间序列预测中,时间序列波动性的聚集导致的预测效果不好的问题。GARCH模型体现了对历史信息的充分利用,这种时间序列模型与向量自回归(VAR)模型有一些神似。总而言之就是粗暴,所有的历史信息试一试,只要信息准则指标改善了,OK咱们就把它加进去。但是GARCH模型只能对波动的程度作出反应,却完全无法识别波动的方向性,这也是该模型的局限性之一。
此文为本人自学总结,请谨慎参考。如有任何问题,恳请指出,欢迎讨论!
Z. Z. in UPM
April 29, 2021