时间序列分析：ARCH、GARCH、TGARCH与DCC-GARCH波动率模型（含代码）

本文聚焦于金融时间序列建模中的波动性模型，涵盖了ARCH、GARCH、TGARCH、DCC-GARCH模型的构建。
本文关注TGARCH模型和DCC-GARCH的应用，通过在沪深300和中证500指数上应用TGARCH和DCC-GARCH模型，揭示这两个指数之间的条件异方差及动态相关性的变化规律。
全部代码可关注gzh’finance褪黑素’回复关键词【24012301】获取

一、ARCH、GARCH、TGARCH、DCC-GARCH模型设定

1.1 ARCH

ARCH（自回归条件异方差）模型是用于描述时间序列数据中异方差（波动率变化）的一种模型。ARCH模型的基本方程如下：

$${\sigma }_t^2={\alpha }_0+\sum _{i=1}^p{\alpha }_i\cdot {\epsilon }_{t-i}^2$$

符号	解释
$${\sigma }_t^2$$	时间点 (t) 处的条件方差（波动率的平方）
$${\alpha }_0$$	模型中的常数
$${\alpha }_i$$	模型中的系数，表示过去 (i) 期的残差项的影响
$${\epsilon }_{t-i}$$	时间点 (t-i) 处的残差项

ARCH模型的核心思想是，当前时间点的方差是过去残差项的平方的加权和，其中权重由系数 alpha_i 决定。

1.2 GARCH模型

GARCH（广义自回归条件异方差）模型:
$${\sigma }_t^2=\omega +\sum _{i=1}^p{\alpha }_i\cdot {\epsilon }_{t-i}^2+\sum _{j=1}^q{\beta }_j\cdot {\sigma }_{t-j}^2$$
GARCH(1,1)的模型如下：
$${\sigma }_t^2=\omega +{\alpha }_1\cdot {\epsilon }_{t-1}^2+{\beta }_1\cdot {\sigma }_{t-1}^2$$

符号	解释
$${\sigma }_t^2$$	时间点 (t) 处的条件方差（波动率的平方）
$$\omega$$	模型中的常数项
$${\alpha }_i$$	模型中的系数，表示过去 (i) 期的残差项的影响
$${\beta }_j$$	模型中的系数，表示过去 (j) 期的条件方差的影响
$${\epsilon }_{t-i}$$	时间点 (t-i) 处的残差项

约束条件为alpha+beta<1。这是为了保证GARCH过程是平稳的。

GARCH模型的缺点：
GARCH模型假设波动率的变化是线性的，这可能无法捕捉一些非线性的波动性模式，特别是在极端事件发生时。
GARCH模型通常假设波动率的变化对正面和负面的残差是对称的，但实际上市场波动率往往在负面和正面的消息中表现出不同的响应。
GARCH模型的参数估计可能受到样本大小的影响，特别是在相对较小的数据集上，参数的估计可能不够稳定。
GARCH模型通常假设残差是高斯分布，但在实际金融时间序列中，残差可能显示出尖峰、厚尾等非高斯特征，这可能影响模型的性能。

1.3 TGARCH模型

TGARCH 模型(Threshold GARCH)是一个条件异方差模型，其中引入了阈值变量，使得模型能够适应不同市场条件下的异方差性。
TGARCH 模型的基本思想是，在不同的市场条件下，资产的风险可能发生显著的变化。这个模型考虑到了市场条件的变化，并允许风险在不同的条件下表现出不同的波动性。

TGARCH 模型的一般形式如下：

$${\sigma }_t^2=\omega +\alpha (r_{t-1}-\gamma {)}^2+\beta {\sigma }_{t-1}^2$$

符号	解释
$${\sigma }_t^2$$	在时间 (t) 的条件异方差。
$$\omega$$	常数。
$$\alpha$$	条件异方差对过去收益率变动的反应系数。
$$r_{t-1}$$	过去的收益率。
$$\gamma$$	阈值变量。
$$\beta$$	过去条件异方差的权重。

1.4 DCC-GARCH模型

DCC-GARCH 模型是动态条件相关性-广义条件异方差模型的一种，用于建模多个资产之间的动态条件相关性，考虑到它们之间的波动性随时间的变化。
它的基本思想是，资产之间的相关性在不同时间点可能发生变化，而且这种变化是动态的。该模型结合了GARCH模型和动态条件相关性DCC模型的特点。

$$\begin{array}{rl}{r}_t& ={\mu }_t+{ϵ}_t\\ {ϵ}_t& =H_t^{1/2}{z}_t\\ H_t& =D_t{R}_t{D}_t\\ R_t& =(1-\lambda )Q+\lambda {ϵ}_{t-1}{ϵ}_{t-1}^T\\ Q& =diag(q_1,q_2,\dots ,q_n)\\ D_t& =diag(h_{1t}^{1/2},h_{2t}^{1/2},\dots ,h_{nt}^{1/2})\end{array}$$

符号	解释
$$r_t$$	资产收益率向量。
$${\mu }_t$$	均值向量。
$${ϵ}_t$$	残差向量，(\epsilon_t = H_t^{1/2} z_t)，其中 (z_t) 是独立同分布的白噪声序列。
$$H_t$$	条件协方差矩阵。
$$D_t$$	对角矩阵，包含每个资产的条件标准差。
$$R_t$$	条件相关性矩阵。
$$Q$$	对角矩阵，包含每个资产的长期方差。
$$\lambda$$	控制条件相关性动态变化的参数。

DCC-GARCH 模型能够捕捉资产之间动态的、时间变化的相关性，广泛应用于投资组合管理、风险管理方面。

二、实证分析

2.1 模型设定

本文对沪深300和中证500的日收益率实施了TGARCH模型与DCC-GARCH模型。
首先对每个收益率分别拟合GARCH模型，然后对两个时间序列之间的相互关系拟合DCCGARCH模型。此外，使用了TGARCH来更好地捕捉股票波动的不对称性。

模型的结构如下：
$$\begin{array}{rl}& \left[\begin{array}{c}{r}_{sp,t}\\ r_{jpm,t}\end{array}\right]\sim N(0,H_t)\\ & H_t=\left[\begin{array}{cc}{\sigma }_{sp,t}& 0\\ 0& {\sigma }_{jpm,t}\end{array}\right]\left[\begin{array}{cc}1& {\rho }_t\\ {\rho }_t& 1\end{array}\right]\left[\begin{array}{cc}{\sigma }_{sp,t}& 0\\ 0& {\sigma }_{jpm,t}\end{array}\right]=\left[\begin{array}{cc}{\sigma }_{sp,t}& 0\\ 0& {\sigma }_{jpm,t}\end{array}\right]R_t\left[\begin{array}{cc}{\sigma }_{sp,t}& 0\\ 0& {\sigma }_{jpm,t}\end{array}\right]\\ & R_t=\left[\begin{array}{cc}\frac{1}{\sqrt{q_{11,t}}}& 0\\ 0& \frac{1}{\sqrt{q_{22,t}}}\end{array}\right]\left[\begin{array}{cc}{q}_{11,t}& q_{12,t}\\ q_{12,t}& q_{22,t}\end{array}\right]\left[\begin{array}{cc}\frac{1}{\sqrt{q_{11,t}}}& 0\\ 0& \frac{1}{\sqrt{q_{22,t}}}\end{array}\right]=\left[\begin{array}{cc}\frac{1}{\sqrt{q_{11,t}}}& 0\\ 0& \frac{1}{\sqrt{q_{22,t}}}\end{array}\right]Q_t\left[\begin{array}{cc}\frac{1}{\sqrt{q_{11,t}}}& 0\\ 0& \frac{1}{\sqrt{q_{22,t}}}\end{array}\right]\\ & {\sigma }_{sp,t}^2={\omega }_{sp}+{\alpha }_{sp}\cdot r_{sp,t-1}^2+{\gamma }_{sp}\cdot r_{sp,t-1}^2\cdot I_{sp,t-1}^{-}+{\beta }_{sp}\cdot {\sigma }_{sp,t-1}^2\\ & {\sigma }_{jpm,t}^2={\omega }_{jpm}+{\alpha }_{jpm}\cdot r_{jpm,t-1}^2+{\gamma }_{jpm}\cdot r_{jpm,t-1}^2\cdot I_{jpm,t-1}^{-}+{\beta }_{jpm}\cdot {\sigma }_{jpm,t-1}^2\\ & Q_t=(1-a-b)\cdot \bar{Q}+a\cdot {ϵ}_{t-1}{ϵ}_{t-1}^{\prime }+b\cdot Q_{t-1}\\ & \bar{Q}=\frac{1}{T}\sum _{t=1}^T{ϵ}_t{ϵ}_t^{\prime },{ϵ}_t=\left[\begin{array}{c}{r}_{sp,t}/{\sigma }_{sp,t}\\ r_{jpm,t}/{\sigma }_{jpm,t}\end{array}\right]\end{array}$$

$\omega ,\alpha ,\gamma ,\beta$ 根据下标的不同分别为沪深300和中证500的TGARCH(1,1,1)模型参数。

$\alpha$,$\beta$都是DCC-GARCH模型的参数。

2.2 实证流程

• 导入沪深300和中证500指数的数据
• 数据处理：对数变换
• 分别拟合TGARCH(1,1,1)模型
• 白噪声检验Ljung-Box检验
• 预测未来数据
• 检验拟合误差
• 拟合DCC-GARCH模型，生成模型参数

2.3 代码部分

导入沪深300和中证500指数的数据，并对数据进行处理：（沪深300代码为39905，中证500代码为00300）
这里使用的是两个代码2017年1月1日到2022年12月31日的收盘价数据。

import efinance as ef
stock_code = '399905'
df = ef.stock.get_quote_history(stock_code)
stock_code = '000300'
df2 = ef.stock.get_quote_history(stock_code)
# 将日期列转换为日期时间类型
df['日期'] = pd.to_datetime(df['日期'])
# 设置日期列为索引
df.set_index('日期', inplace=True)
# 选择指定日期范围的数据
start_date = '2017-01-01'
end_date = '2022-12-31'
filtered_data = df.loc[start_date:end_date]
df = filtered_data
# 将日期列转换为日期时间类型
df2['日期'] = pd.to_datetime(df2['日期'])
# 设置日期列为索引
df2.set_index('日期', inplace=True)
# 选择指定日期范围的数据
start_date = '2017-01-01'
end_date = '2022-12-31'
filtered_data2 = df2.loc[start_date:end_date]
df2 = filtered_data2
sp = df
jpm = df2
sp_return = np.log(sp['收盘']).diff().dropna() 
jpm_return = np.log(jpm['收盘']).diff().dropna() .
sp_return = sp_return.iloc[::-1]
jpm_return = jpm_return.iloc[::-1] 

以沪深300指数为例拟合TGARCH(1,1,1)模型，GARCH模型为函数包调用：

sp_model = GARCH(1,1)
sp_model.set_loss(garch_loss_gen(1, 1))
sp_model.set_max_itr(1)
sp_model.fit(sp_return)
sp_model.get_theta()

得到的结果为：array([0.005, 0.1 , 0.1 , 0.85 ])
因此， TGARCH(1,1,1) 拟合的参数结果为:
$$\begin{array}{rl}{\omega }_{sp}& =0.005\\ {\alpha }_{sp}& =0.1\\ {\gamma }_{sp}& =0.1\\ {\beta }_{sp}& =0.85\end{array}$$

TGARCH(1,1,1) 模型的条件异方差方程通常可以表示为：

σ t 2 = 0.005 + 0.1 r t − 1 2 + 0.1 I { r t − 1 < 0 } r t − 1 2 + 0.85 σ t − 1 2 \sigma_t^2 = 0.005 + 0.1 r_{t-1}^2 + 0.1 I_{\{r_{t-1}<0\}} r_{t-1}^2 + 0.85 \sigma_{t-1}^2 σt2​=0.005+0.1rt−12​+0.1I{rt−1​<0}​rt−12​+0.85σt−12​

描述了在给定时刻t条件异方差 ${\sigma }_t^2$的计算方式，其中包括过去的收益率 $r_{t-1}$ 及其平方，以及过去的条件异方差 ${\sigma }_{t-1}^2$。

检验残差白噪声：

sp_sigma = sp_model.sigma(sp_return)
sp_epsilon = sp_return / sp_sigma
# Ljung-Box检验
import statsmodels.api as sm
lb_test = sm.stats.acorr_ljungbox(sp_epsilon, lags=20, return_df=True)
print("Ljung-Box统计量和p-value：")
print(lb_test)

预测未来波动率：

n_steps = 10  
predicted_volatility1 = sp_model.sigma(sp_return)
simulated_returns1 = np.random.normal(0, np.sqrt(predicted_volatility1[-1]), size=n_steps)
print("模拟的未来数据：", simulated_returns1)

模型误差：

n_steps = 10  # 可以根据需要调整
trained_theta = sp_model.get_theta()
simulated_returns = np.zeros(n_steps)
for i in range(n_steps):
    current_volatility = sp_model.sigma(simulated_returns[:i+1])[-1]
    simulated_returns[i] = np.random.normal(0, np.sqrt(current_volatility))
actual_returns = sp_return[-n_steps:]
mse = mean_squared_error(actual_returns, simulated_returns)
print("拟合效果的均方误差 (MSE):", mse)
def mean_absolute_error(y_true, y_pred):
    return np.mean(np.abs(y_true - y_pred))
def root_mean_squared_error(y_true, y_pred):
    return np.sqrt(np.mean((y_true - y_pred)**2))
mae = mean_absolute_error(actual_returns, simulated_returns)
print("拟合效果的均方误差 (MSE):", mae)
rmse = root_mean_squared_error(actual_returns, simulated_returns)
print("拟合效果的均方误差 (MSE):", rmse)

拟合DCC-GARCH模型：

DCC-GARCH 模型的结果通常包括两个参数，分别表示条件相关性矩阵 $R_t$ 的两个元素。通常，这两个参数可以表示为$\alpha$和$\beta$，其中 $\alpha$是 $R_t$ 的第一个元素，$\beta$是第二个元素。

dcc_model = DCC()
dcc_model.set_loss(dcc_loss_gen())
dcc_model.get_ab()

结果为array([0.78338396, 0.21630562])

DCC-GARCH 模型的方程式可以表示为：

$$R_t=\left[\begin{array}{cc}1& a\\ a& 1-b\end{array}\right]$$

其中$R_t$是条件相关性矩阵，$\alpha$和$\beta$是模型拟合得到的参数。

根据给定的结果数组 ([0.78338396, 0.21630562])，可以将$\alpha$和$\beta$分别赋值给这两个参数。方程式变为：

$$R_t=\left[\begin{array}{cc}1& 0.78338396\\ 0.78338396& 1-0.21630562\end{array}\right]$$

这个方程式描述了 DCC-GARCH 模型中条件相关性矩阵$R_t$的结构.

第一个元素 0.78338396较大，表示两个资产之间有较强的正相关性。而第二个元素
0.21630562 较小，表示两个资产之间的条件相关性较弱。