GARCH模型

最新推荐文章于 2025-04-25 12:12:38 发布

张博208

最新推荐文章于 2025-04-25 12:12:38 发布

阅读量4.3w

点赞数 19

分类专栏： Data Analysis

Data Analysis 专栏收录该内容

75 篇文章

订阅专栏

GARCH模型的定义

ARCH模型的实质是使用残差平方序列的q阶移动平移拟合当期异方差函数值，由于移动平均模型具有自相关系数q阶截尾性，所以ARCH模型实际上只适用于异方差函数短期自相关系数。
但是在实践中，有些残差序列的异方差函数是具有长期自关性，这时使用ARCH模型拟合异方差函数，将会产生很高的移动平均阶数，增加参数估计的难度并最终影响ARCH模型的拟合精度。
为了修正个问题，提出了广义自回归条件异方差模型，这个模型简记为GARCH（p,q）.
GARCH模型实际上就是在ARCH的基础上，增加考虑异方差函数的p阶自回归性而形成，它可以有效的拟合具有长期记忆性的异方差函数。ARCH模型是GARCH模型的一个特例，p=0的GARCH（p,q）模型。

AR-GARCH模型

对序列拟合GARCH模型有一个基本要求：零均值，纯随机，异方差序列。
有时回归函数不能充分提取原序列中的相关信息，可能具有自相关性，而不是纯随机的，这时需要对序列拟合自回归模型，再考察自回归模型的方差奇性，如果异方差，对它拟合GARCH模型。这样构造的模型为AR(m)-GARCH(p,q).
分析拟合1979年12月31日至1991年12月31日外币对美元日兑换率序列：

w<-read.table("D:/R-TT/book4/4R/data/file23.csv",sep=",",header = T)
x<-ts(w$exchange_rates,start=c(1979,12,31),frequency = 365)
plot(x)
 
 1
2
3

外币对美元日兑换率序列时序图
对差分序列性质的考察

plot(diff(x))
 
 1

这里写图片描述
外币对美元日兑换率序列1阶差分时序图
外币对美元日兑换率序列1阶差分自相关图

acf(diff(x))
 
 1

外币对美元日兑换率序列1阶差分自相关图

pacf(diff(x))
 
 1

外币对美元日兑换率序列1阶差分偏自相关图
序列时序图显示序列非平稳，有明显的趋势特征，差分后序列时序图显示趋势消除，但是有明显的集群效应，所以分析该序列需要同时提取水平相关信息与波动相关信息。
水平信息的提取是考察差分后的自相关性与偏相关性，拟合ARIMA(0,1,1)。

水平相关信息提取

#水平相关信息提取，拟合ARIMA(0,1,1)模型
x.fit<-arima(x,order = c(0,1,1))
x.fit



Call:
arima(x = x, order = c(0, 1, 1))

Coefficients:
         ma1
      0.0357
s.e.  0.0143

sigma^2 estimated as 0.0002007:  log likelihood = 13545.61,  aic = -27087.22
 
 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

> #残差白噪声检验
> for (i in 1:6) print(Box.test(x.fit$residual,type = "Ljung-Box",lag=i))

    Box-Ljung test

data:  x.fit$residual
X-squared = 0.0005354, df = 1, p-value = 0.9815


    Box-Ljung test

data:  x.fit$residual
X-squared = 0.55102, df = 2, p-value = 0.7592


    Box-Ljung test

data:  x.fit$residual
X-squared = 2.6528, df = 3, p-value = 0.4483


    Box-Ljung test

data:  x.fit$residual
X-squared = 3.3062, df = 4, p-value = 0.5079


    Box-Ljung test

data:  x.fit$residual
X-squared = 6.8276, df = 5, p-value = 0.2338


    Box-Ljung test

data:  x.fit$residual
X-squared = 6.8306, df = 6, p-value = 0.3368

 
 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

该拟合模型的残差白噪声检验显示该模型显著成立，利用该拟合模型可以预测列未来的水平。

#水平预测，并绘制预测图
library(forecast)
x.fore<-forecast(x.fit,h=365)
plot(x.fore)
 
 1
2
3
4

外币对美元日兑换率序列日预测图

波动相关信息提取
波动信息的提取首先是考察ARIMA(0,1,1)模型的残差平方序列的异方差特征。

#条件异方差检验(Portmanteau Q检验)
for (i in 1:6) print(Box.test(x.fit$residual^2,type = "Ljung-Box",lag=i))
Box-Ljung test

data:  x.fit$residual^2
X-squared = 82.803, df = 1, p-value < 2.2e-16


    Box-Ljung test

data:  x.fit$residual^2
X-squared = 237.9, df = 2, p-value < 2.2e-16


    Box-Ljung test

data:  x.fit$residual^2
X-squared = 343.33, df = 3, p-value < 2.2e-16


    Box-Ljung test

data:  x.fit$residual^2
X-squared = 490.84, df = 4, p-value < 2.2e-16


    Box-Ljung test

data:  x.fit$residual^2
X-squared = 602.1, df = 5, p-value < 2.2e-16


    Box-Ljung test

data:  x.fit$residual^2
X-squared = 841.96, df = 6, p-value < 2.2e-16
 
 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

波动信息的提取首先是考察ARIMA(0，1，1)模型的残差平方序列的异方差特征，Portmanteau Q检验显示残差序列显著方差非齐性，且具有长期相关性，所以构造GARCH（1，1）模型，并根据该模型的拟合结果绘制波动的95%置信区间。

#拟合GARCH(1,1)模型
r.fit<-garch(x.fit$residual,order=c(1,1))
summary(r.fit)
Call:
garch(x = x.fit$residual, order = c(1, 1))

Model:
GARCH(1,1)

Residuals:
     Min       1Q   Median       3Q      Max 
-4.83074 -0.58407  0.02616  0.58758  4.54060 

Coefficient(s):
    Estimate  Std. Error  t value Pr(>|t|)    
a0 2.133e-06   3.014e-07    7.077 1.48e-12 ***
a1 7.623e-02   5.456e-03   13.972  < 2e-16 ***
b1 9.144e-01   6.015e-03  152.009  < 2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Diagnostic Tests:
    Jarque Bera Test

data:  Residuals
X-squared = 319.23, df = 2, p-value < 2.2e-16


    Box-Ljung test

data:  Squared.Residuals
X-squared = 0.28019, df = 1, p-value = 0.5966`
 
 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

#绘制波动置信区间
r.pred<-predict(r.fit)
plot(r.pred)
 
 1
2
3

外币对美元日兑换率序列残差波动置信区间

GARCH衍生模型

GARCH模型给出了对波动性进行描述的方法，为大量的金融序列提供了有效的分析方法，它是迄今为至最常用的、最便捷的异方差序列拟合模型。但是，大量的使用经验表明，它也存在一些不足。
一是它对参数的约束非常严格，无条件方差必须非负的要求，导致以参数非负的约束条件，同时有条件方差必须平稳的要求，要求参数有界。参数的约束条件一定程序上限制了GARCH模型的适用范围。
二是它对正负扰动的反应是对称，扰动项是真实值与预测值之差。如果扰动项为正，说明真实值比预测值大，对于投资者而言就是获得超预期收益。如果扰动项为负，说明真实值比预测值小，对于投资者而言就是出现超预期亏损。
为了拓展GARCH模型使用范围、提高GARCH模型的拟合精度，统计学家从不同的角度出发，构造了多个GARCH模型的衍生模型。
1.指数GARCH模型（EGARCH)
这里写图片描述
2.方差无穷GARCH模型(IGARCH)

3.依均值GARCH模型(GARCH-M)