2021-04-29

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