金融计量模型（十一）：对波动率和相关性建模

对波动率和相关性建模

引入波动率：

无波动率时：
$$r_t={\varphi }_0+{\varphi }_1{r}_{t-1}+a_t$$
$a_t$ 是白噪声，$Var(a_t)={\sigma }_a^2$。
$$\begin{gathered} E(r_{t+1}|F_t)={\varphi }_0+{\varphi }_1{r}_t \\ error=a_{t+1},Var(error)={\sigma }_a^2 \\ 95\%CI:[{\varphi }_0+{\varphi }_1{r}_t-1.96{\sigma }_a,{\varphi }_0+{\varphi }_1{r}_t+1.96{\sigma }_a] \end{gathered}$$
有波动率时：$Var(a_{t+1}|F_t)$ 是时变的。
$$\begin{gathered} Var(a_{t+1}|F_t)=E(a_{t+1}^2|F_t) \\ {a}_{t+1}^2={\alpha }_0+{\alpha }_1{a}_t^2+{\eta }_t \\ E(a_{t+1}^2|F_t)={\alpha }_0+{\alpha }_1{a}_t^2 \\ {a}_{t+1}^2=E(a_{t+1}^2|F_t)\times {\epsilon }_t^2 \\ {a}_{t+1}=\sqrt{E(a_{t+1}^2|F_t)}\times {\epsilon }_t,E({\epsilon }_t^2)=1 \end{gathered}$$

波动率

基本结构

$$r_t={\mu }_t+a_t,{\mu }_t={\varphi }_0+\sum _{i=1}^p{\varphi }_i{r}_{t-i}-\sum _{i=1}^q{\theta }_i{a}_{t-i}$$

波动率模型与时间演化有关：
$${\sigma }_t^2=Var(r_t|F_{t-1})=Var(a_t|F_{t-1})$$
上述为波动率方程。return的条件方差以过去的信息为基础。

相关的过去信息：

1. 历史时期的波动率信息： { a t − 1 2 , a t − 2 2 , ⋯   } \{a_{t-1}^2,a_{t-2}^2,\cdots\} {at−12​,at−22​,⋯}
2. 历史时期的模型拟合方差： { σ t − 1 2 , σ t − 2 2 , ⋯   } \{\sigma_{t-1}^2,\sigma_{t-2}^2,\cdots\} {σt−12​,σt−22​,⋯}
3. 其他过去信息

ARCH模型包含了第一项，GARCH模型同时包含了第一项和第二项。

单变量波动率模型

ARCH模型

ARCH(1)模型：
$${\sigma }_t^2={\alpha }_0+{\alpha }_1{a}_{t-1}^2$$
其中 ${\alpha }_1\ge 0$。

ARCH(m)模型：
$$\begin{gathered} r_t=E(r_t|F_{t-1})+a_t,a_t={\sigma }_t{\epsilon }_t \\ {\sigma }_t^2={\alpha }_0+{\alpha }_1{a}_{t-1}^2+\cdots +{\alpha }_m{a}_{t-m}^2 \end{gathered}$$
其中 { ε t } \{\varepsilon_t\} {εt​} 独立同分布，均值为0，方差为1。${\alpha }_0>0,{\alpha }_i\ge 0,i>0$。

{ a t } \{a_t\} {at​} 的性质

$$\begin{gathered} E(a_t|F_{t-1})=E({\sigma }_t{\epsilon }_t|F_{t-1})={\sigma }_{t}E({\epsilon }_t|F_{t-1})=0 \\ E(a_t)=E[E(a_t|F_{t-1})]=0 \\ E(a_t{a}_{t-j})=E[E(a_t{a}_{t-j}|F_{t-1})]=E[a_{t-j}E(a_t|F_{t-1})]=0,j\ge 1 \\ Var(a_t)=E(a_t^2)=E[E(a_t^2|F_{t-1})]=E({\sigma }_t^2) \end{gathered}$$

条件异方差误差：
$$Var(a_t|F_{t-1})=E(a_t^2|F_{t-1})={\sigma }_t^{2}E({\epsilon }_t^2|F_{t-1})={\sigma }_t^2$$
重新参数化：令 ${\eta }_t=a_t^2-{\sigma }_t^2$， { η t } \{\eta_t\} {ηt​} 是不相关的序列，均值为0，ARCH模型变成：
$$a_t^2={\alpha }_0+{\alpha }_1{a}_{t-1}^2+\cdots +{\alpha }_m{a}_{t-m}^2+{\eta }_t$$
上式是 { a t 2 } \{a_t^2\} {at2​} 序列的AR(m)模型，可用PACF判断ARCH的阶数m。

假设平稳（${\alpha }_1+\cdots +{\alpha }_m<1$）：
$$\begin{gathered} E({\sigma }_t^2)={\alpha }_0+{\alpha }_{1}E(a_{t-1}^2)+\cdots +{\alpha }_{m}E(a_{t-m}^2)={\alpha }_0+{\alpha }_{1}E({\sigma }_t^2)+\cdots +{\alpha }_{m}E({\sigma }_t^2) \\ E({\sigma }_t^2)={\bar{\sigma }}^2=\frac{{\alpha }_0}{1-{\alpha }_1-\cdots -{\alpha }_m} \end{gathered}$$

ARCH(1)的性质

考虑一个ARCH(1)模型：
$$a_t={\sigma }_t{\epsilon }_t,{\sigma }_t^2={\alpha }_0+{\alpha }_1{a}_{t-1}^2$$
其中 ${\alpha }_0>0,{\alpha }_1\ge 0$。
$$\begin{gathered} E(a_t)=0 \\ Var(a_t)=\frac{{\alpha }_0}{1-{\alpha }_1}if0\le {\alpha }_1<1 \end{gathered}$$
假设 ${\epsilon }_t$ 服从正态分布，则有
$$\begin{gathered} E(a_t^4|F_{t-1})=3[E(a_t^2|F_{t-1}){]}^2=3({\alpha }_0+{\alpha }_1{a}_{t-1}^2{)}^2 \\ E(a_t^4)=E[E(a_t^4|F_{t-1})]=3E[({\alpha }_0+{\alpha }_1{a}_{t-1}^2{)}^2]=3E[{\alpha }_0^2+2{\alpha }_0{\alpha }_1{a}_{t-1}^2+{\alpha }_1^2{a}_{t-1}^4]=m_4 \\ {m}_4=3[{\alpha }_0^2+2{\alpha }_0{\alpha }_{1}Var(a_t)+{\alpha }_1^2{m}_4]=3{\alpha }_0^2(1+2\frac{{\alpha }_1}{1-{\alpha }_1})+3{\alpha }_1^2{m}_4 \\ {m}_4=\frac{3{\alpha }_0^2(1+{\alpha }_1)}{(1-{\alpha }_1)(1-3{\alpha }_1^2)} \end{gathered}$$
因为四阶矩为正，所以要满足 $1-3{\alpha }_1^2>1\to 0\le {\alpha }_1^2<\frac{1}{3}$。

$a_t$ 的无条件峰度是：
$$\frac{E(a_t^4)}{[Var(a_t){]}^2}=3\frac{1-{\alpha }_1^2}{1-3{\alpha }_1^2}>3$$
所以有”厚尾“。

ARCH(1)的估计

用条件极大似然估计法估计。
$$\begin{gathered} r_t={\varphi }_0+{\varphi }_1{r}_{t-1}+a_t,a_t={\sigma }_t{\epsilon }_t,{\epsilon }_t{\sim }^{i.i.d}N(0,1) \\ {\sigma }_t^2={\alpha }_0+{\alpha }_1{a}_{t-1}^2 \\ {r}_T|F_{T-1}\sim N({\varphi }_0+{\varphi }_1{r}_{T-1},{\sigma }_T^2) \\ {r}_{T-1}|F_{T-2}\sim N({\varphi }_0+{\varphi }_1{r}_{T-2},{\sigma }_{T-1}^2) \end{gathered}$$
ARCH(1)模型的似然函数如下：
$$\begin{gathered} f_T(r_1,\cdots ,r_T)=f_{T|T-1}(r_T|r_{T-1},\cdots ,r_1)f_{T-1}(r_{T-1},\cdots ,r_1) \\ =f_{T|T-1}(r_T|F_{t-1})f_{T-1|T-2}(r_{T-1}|F_{t-2})f_{T-2}(r_{T-2},\cdots ,r_1) \\ =\cdots \\ =f_{T|T-1}(r_T|F_{t-1})\cdots f_{2|1}(r_2|r_1)f(r_1) \\ =\prod _{t=2}^T\frac{1}{\sqrt{2\pi {\sigma }_t^2}}\exp [-\frac{(r_t-{\varphi }_0-{\varphi }_1{r}_{t-1}{)}^2}{2{\sigma }_t^2}]f(r_1) \\ loglikelihood=\sum _{t=2}^T[-\frac{1}{2}\log (2\pi )-\frac{1}{2}\log {\sigma }_t^2-\frac{(r_t-{\varphi }_0-{\varphi }_1{r}_{t-1}{)}^2}{2{\sigma }_t^2}] \\ {\sigma }_t^2={\alpha }_0+{\alpha }_1[r_{t-1}-{\varphi }_0-{\varphi }_1{r}_{t-2}{]}^2 \end{gathered}$$

构建ARCH模型

1. 构建均值效应模型并检验ARCH效应：$H_0:$ 没有ARCH效应；$H_a:$ 有ARCH效应。使用残差平方项 { a ^ t 2 } \{\hat a_t^2\} {a^t2​} 的Q统计量或LM检验。
2. 确定阶数：使用残差平方项 { a ^ t 2 } \{\hat a_t^2\} {a^t2​} 的PACF定阶。
3. 估计：条件极大似然估计法
4. 模型检验
5. 预测

检验ARCH效应

$H_0:{\alpha }_1={\alpha }_2=\cdots ={\alpha }_m=0;H_a:$ 至少有一个 ${\alpha }_i\ne 0$。

1. 计算残差 { a ^ t } \{\hat a_t\} {a^t​}
2. 应用 { a ^ t } \{\hat a_t\} {a^t​} 序列的LB统计量 $Q(m)$。

简单的LM检验：

1. 计算残差 { a ^ t } \{\hat a_t\} {a^t​}

2. 估计辅助回归：
   $${\hat{a}}_t^2={\alpha }_0+{\alpha }_1{\hat{a}}_{t-1}^2+{\alpha }_m{\hat{a}}_{t-m}^2+e_t$$
   获得 $R^2\equiv R_{AUX}^2$。

3. 构造LM检验统计量：
   $$L{M}_{ARCH}=T\cdot R_{AUX}^2$$
   其中 $T$ 是辅助回归中的样本大小。在零假设条件下，$L{M}_{ARCH}$ 渐进服从 ${\chi }^2(m)$ 分布。

模型检验

对于一个恰好的ARCH模型，标准化的误差：
$${\tilde{a}}_t=\frac{a_t}{{\sigma }_t}$$
是一个独立同分布的随机变量。所以，我们可以来检验序列 { a ~ t } \{\tilde a_t\} {a~t​}：

1. { a ~ t } \{\tilde a_t\} {a~t​} 的LB统计量可以用来检验均值方程的准确性。
2. { a ~ t 2 } \{\tilde a_t^2\} {a~t2​} 的LB统计量可以用来检验波动率方程的准确性。
3. { a ~ t } \{\tilde a_t\} {a~t​} 的峰度、偏度、QQ plot可以用来检验分布假设的有效性。

预测

一步预测：
$$\begin{gathered} {\sigma }_{h+1}^2={\alpha }_0+{\alpha }_1{a}_h^2+\cdots +{\alpha }_m{a}_{h+1-m}^2 \\ {\sigma }_h^2(1)=E[{\sigma }_{h+1}^2|F_h]={\sigma }_{h+1}^2={\alpha }_0+{\alpha }_1{a}_h^2+\cdots +{\alpha }_m{a}_{h+1-m}^2 \end{gathered}$$
两步预测：
$$\begin{gathered} {\sigma }_{h+2}^2={\alpha }_0+{\alpha }_1{a}_{h+1}^2+\cdots +{\alpha }_m{a}_{h+1-m}^2 \\ {\sigma }_h^2(2)=E[{\sigma }_{h+2}^2|F_h]={\alpha }_0+{\alpha }_{1}E[a_{h+1}^2|F_h]+{\alpha }_2{a}_h^2+\cdots +{\alpha }_m{a}_{h+2-m}^2 \\ ={\alpha }_0+{\alpha }_1{\sigma }_h^2(1)+{\alpha }_2{a}_h^2+\cdots +{\alpha }_m{a}_{h+2-m}^2 \end{gathered}$$
l步预测：
$$\begin{gathered} {\sigma }_h^2(l)={\alpha }_0+\sum _{i=1}^m{\alpha }_i{\sigma }_h^2(l-i) \\ 其中：{\sigma }_h^2(l-i)=a_{h+l-i}^2,如果l-i\le 0 \end{gathered}$$

优缺点

优点：简单；可预测波动率；厚尾（高峰度）。

缺点：正、负先验收益之间的对称性；受限制的参数空间。

GARCH模型

$$\begin{gathered} r_t=E(r_t|F_{t-1})+a_t,a_t={\sigma }_t{\epsilon }_t \\ {\sigma }_t^2={\alpha }_0+\sum _{i=1}^m{\alpha }_i{a}_{t-i}^2+\sum _{j=1}^s{\beta }_j{\sigma }_{t-j}^2 \end{gathered}$$

其中 { ε t } \{\varepsilon_t\} {εt​} 独立同分布，均值为0，方差为1。${\alpha }_0>0,{\alpha }_i\ge 0,{\beta }_j\ge 0,i>0,{\sum }_{i=1}^{\max (m,s)}({\alpha }_i+{\beta }_i)<1$。

{ a t } \{a_t\} {at​} 的性质

误差 { a t } \{a_t\} {at​} 是不相关的、平稳的，均值为0，条件方差有限。
$$\begin{gathered} E(a_t|F_{t-1})=0,E(a_t)=0,E(a_t{a}_{t-j})=0,j\ge 1 \\ Var(a_t)=E(a_t^2)=\frac{{\alpha }_0}{1-({\sum }_{i=1}^m{\alpha }_i)-({\sum }_{j=1}^s{\beta }_j)} \\ \sum _{i=1}^{\max (m,s)}({\alpha }_i+{\beta }_i)<1 \end{gathered}$$
条件异方差误差：
$$Var(a_t|F_{t-1})=E(a_t^2|F_{t-1})={\sigma }_t^{2}E({\epsilon }_t^2|F_{t-1})={\sigma }_t^2$$
重新参数化：令 ${\eta }_t=a_t^2-{\sigma }_t^2$， { η t } \{\eta_t\} {ηt​} 是不相关的序列，GARCH模型变成：
$$a_t^2={\alpha }_0+\sum _{i=1}^{\max (m,s)}({\alpha }_i+{\beta }_i)a_{t-i}^2+{\eta }_t-\sum _{j=1}^s{\beta }_j{\eta }_{t-j}$$
这是 { a t 2 } \{a_t^2\} {at2​} 序列的ARMA形式。

GARCH(1,1)模型

$${\sigma }_t^2={\alpha }_0+{\alpha }_1{a}_{t-1}^2+{\beta }_1{\sigma }_{t-1}^2$$

弱稳定性：$0\le {\alpha }_1,{\beta }_1<1,({\alpha }_1+{\beta }_1)<1$。

非条件方差：${\bar{\sigma }}^2=\frac{{\alpha }_0}{1-{\alpha }_1-{\beta }_1}$。

波动性聚类

如果 $1-2{\alpha }_1^2-({\alpha }_1+{\beta }_1{)}^2>0$，则：
$$\frac{E(a_t^4)}{[E(a_t^2){]}^2}=\frac{3[1-({\alpha }_1+{\beta }_1{)}^2]}{1-({\alpha }_1+{\beta }_1{)}^2-2{\alpha }_1^2}>3\to 厚尾$$

GARCH(1,1)模型的预测

一步预测：
$$\begin{gathered} {\sigma }_{h+1}^2={\alpha }_0+{\alpha }_1{a}_h^2+{\beta }_1{\sigma }_h^2 \\ {\sigma }_h^2(1)=E[{\sigma }_{h+1}^2|F_h]={\alpha }_0+{\alpha }_1{a}_h^2+{\beta }_1{\sigma }_h^2 \end{gathered}$$
两步预测：
$$\begin{gathered} {\sigma }_{h+2}^2={\alpha }_0+{\alpha }_1{a}_{h+1}^2+{\beta }_1{\sigma }_{h+1}^2 \\ {\sigma }_h^2(2)=E[{\sigma }_{h+2}^2|F_h]={\alpha }_0+{\alpha }_{1}E[a_{h+1}^2|F_h]+{\beta }_1{\sigma }_{h+1}^2 \\ ={\alpha }_0+({\alpha }_1+{\beta }_1){\sigma }_h^2(1) \end{gathered}$$
l步预测：
$${\sigma }_h^2(l)={\alpha }_0+({\alpha }_1+{\beta }_1){\sigma }_h^2(l-1),l>1$$

GARCH模型的区间预测

一步预测：
$$Var(r_{h+1}|F_h)={\sigma }_h^2(1)={\sigma }_{h+1}$$
一步预测95%的置信区间为：
$$[E(r_{h+1}|F_h)-1.96{\sigma }_h(1),E(r_{h+1}|F_h)+1.96{\sigma }_h(1)]$$
考虑一个AR(1)-GARCH(1,1)模型：
$$\begin{gathered} r_t={\varphi }_0+{\varphi }_1{r}_{t-1}+a_t,a_t={\sigma }_t{\epsilon }_t,{\epsilon }_t\sim i.i.d.N(0,1) \\ {\sigma }_t^2={\alpha }_0+{\alpha }_1{a}_{t-1}^2+{\beta }_1{\sigma }_{t-1}^2 \end{gathered}$$
一步预测95%的置信区间为：
$$[{\varphi }_0+{\varphi }_1{r}_h-1.96\sqrt{{\alpha }_0+{\alpha }_1{a}_h^2+{\beta }_1{\sigma }_h^2},{\varphi }_0+{\varphi }_1{r}_h+1.96\sqrt{{\alpha }_0+{\alpha }_1{a}_h^2+{\beta }_1{\sigma }_h^2}]$$
两步预测：
$$\begin{gathered} r_{h+2}={\varphi }_0(1+{\varphi }_1)+{\varphi }_1^2{r}_h+{\varphi }_1{a}_{h+1}+a_{h+2} \\ {r}_h(2)=E(r_{h+2}|F_h)={\varphi }_0(1+{\varphi }_1)+{\varphi }_1^2{r}_h \\ Var(r_{h+2}|F_h)=Var({\varphi }_1{a}_{h+1}+a_{h+2}|F_h) \\ ={\varphi }_1^{2}Var(a_{h+1}|F_h)+Var(a_{h+2}|F_h) \\ ={\varphi }_1^2{\sigma }_h^2(1)+{\sigma }_h^2(2) \\ ={\varphi }_1^2{\sigma }_h^2(1)+{\alpha }_0+({\alpha }_1+{\beta }_1){\sigma }_h^2(1) \end{gathered}$$
两步预测95%的置信区间为：
$$[{\varphi }_0(1+{\varphi }_1)+{\varphi }_1^2{r}_h-1.96\sqrt{{\alpha }_0+({\alpha }_1+{\beta }_1+{\varphi }_1^2){\sigma }_h^2(1)},{\varphi }_0(1+{\varphi }_1)+{\varphi }_1^2{r}_h+1.96\sqrt{{\alpha }_0+({\alpha }_1+{\beta }_1+{\varphi }_1^2){\sigma }_h^2(1)}]$$

例子：标准普尔500指数从1926年开始的每月超额回报有792个观察值：

1. 均值方程：AR(3)
2. 检验ARCH效应
3. 联合估计AR(3)-GARCH(1,1)
4. 所有的AR系数都在统计上不显著
5. 简化模型：AR(0)-GARCH(1,1)
6. 模型检验：对 { a ~ t } , { a ~ t 2 } \{\tilde a_t\},\{\tilde a_t^2\} {a~t​},{a~t2​} 做Q检验
7. 估计自由度
8. 预测

IGARCH模型

波动率常常表现出非平稳性：${\alpha }_1+{\beta }_1=1$。一个IGARCH(1,1)模型如下：
$$a_t={\sigma }_t{\epsilon }_t,{\sigma }_t^2={\alpha }_0+{\beta }_1{\sigma }_{t-1}^2+(1-{\beta }_1)a_{t-1}^2$$

比如对于标准普尔500指数的每月超额回报，一个估计的IGARCH(1,1)模型为：
$$r_t=0.007+a_t,{\sigma }_t^2=0.0001+0.806{\sigma }_{t-1}^2+0.194a_{t-1}^2$$

对于一个IGARCH(1,1)模型：
$${\sigma }_h^2(l)={\sigma }_h^2(1)+(l-1){\alpha }_0,l\ge 1$$
${\sigma }_h^2(1)$ 对未来波动率的影响是持久的，波动率的预测形成了一条斜率 $={\alpha }_0$ 的直线。

特殊情况：${\alpha }_0=0$。

如果 $E[\log ({\alpha }_1{\epsilon }_t^2+{\beta }_1)]<\infty$，则模型是严平稳的。

GARCH-in-Mean

条件均值规范：
$$r_t=ARMA(p,q)+{\beta }^{\prime }{X}_t$$
$X_t$ 是一个解释性变量，可以是虚拟变量、市场收益、波动率。

外源解释变量也可以添加到条件方差公式中：
$${\sigma }_t^2=GARCH(p.q)+{\delta }^{\prime }{Z}_t$$
$Z_t$ 是一个解释变量。

金融理论认为波动性可能与资产风险溢价有关。GARCH-M模型允许时变性波动性与预期回报相关。
$$\begin{gathered} r_t=\mu +cg({\sigma }_t)+a_t,a_t={\sigma }_t{\epsilon }_t \\ {\sigma }_t^2={\alpha }_0+{\alpha }_1{a}_{t-1}^2+{\beta }_1{\sigma }_{t-1}^2 \\ g({\sigma }_t)=\{\begin{array}{l}{\sigma }_t\\ {\sigma }_t^2\\ \log ({\sigma }_t^2)\end{array} \end{gathered}$$
$c$ 是风险溢价。

EGARCH模型

杠杆效应

EGARCH(m,s)模型的形式：
$$a_t={\sigma }_t{\epsilon }_t,\log ({\sigma }_t^2)={\alpha }_0+\sum _{i=1}^s{\alpha }_i\frac{|a_{t-i}|+{\gamma }_i{a}_{t-i}}{{\sigma }_{t-i}}+\sum _{j=1}^m{\beta }_j\log ({\sigma }_{t-j}^2)$$
${\gamma }_i$ 表示 $a_{t-i}$ 的杠杆效应。实际应用中期望 ${\gamma }_i$ 为负数。

TGARCH/GJR模型

TGARCH(s,m)，或者GJR(s,m)模型定义为：
$$\begin{gathered} r_t={\mu }_t+a_t,a_t={\sigma }_t{\epsilon }_t \\ {\sigma }_t^2={\alpha }_0+\sum _{i=1}^s({\alpha }_i+{\gamma }_i{N}_{t-i})a_{t-i}^2+\sum _{j=1}^m{\beta }_j{\sigma }_{t-j}^2 \\ {N}_{t-i}=\{\begin{array}{l}1if{a}_{t-i}<0\\ 0if{a}_{t-i}\ge 0\end{array} \end{gathered}$$
上面用0作为阈值。

当 $a_{t-i}$ 为正，总效应为 ${\alpha }_i{a}_{t-i}^2$

当 $a_{t-i}$ 为负，总效应为 $({\alpha }_i+{\gamma }_i)a_{t-i}^2$

APARCH模型

$$\begin{gathered} r_t={\mu }_t+a_t,a_t={\sigma }_t{\epsilon }_t,\epsilon \sim D(0,1) \\ {\sigma }_t^{\delta }={\alpha }_0+\sum _{i=1}^s{\alpha }_i(|a_{t-i}|-{\gamma }_i{a}_{t-i}{)}^{\delta }+\sum _{j=1}^m{\beta }_j{\sigma }_{t-j}^{\delta } \end{gathered}$$

其中 $\delta$ 是非负的实数。杠杆效应表明 ${\gamma }_i>0$。

使用高频数据

令 $r_t^m$ 为 第 $t$ 个月的对数收益， { r t , i } i = 1 n \{r_{t,i}\}^n_{i=1} {rt,i​}i=1n​ 是第 $t$ 个月内的日度对数收益。根据对数收益的性质，有：
$$r_t^m=\sum _{i=1}^n{r}_{t,i}$$
假设条件方差和方差存在，我们有：
$$Var(r_t^m|F_{t-1})=\sum _{i=1}^{n}Var(r_{t,i}|F_{t-1})+2\sum _{i<j}Cov[(r_{t,i},r_{t,j})|F_{t-1}]$$

1. 如果 { r t , i } \{r_{t,i}\} {rt,i​} 是白噪声序列：
   $$Var(r_t^m|F_{t-1})=nVar(r_{t,1})$$
   $Var(r_{t,1})$ 可以从日度收益 { r t , i } i = 1 n \{r_{t,i}\}^n_{i=1} {rt,i​}i=1n​ 估计：
   $${\hat{\sigma }}^2=\frac{{\sum }_{i=1}^n(r_{t,i}-{\bar{r}}_t{)}^2}{n-1},{\bar{r}}_t=\frac{{\sum }_{i=1}^n{r}_{t,i}}{n}$$
   估计的月度波动率为：
   $${\hat{\sigma }}_m^2=\frac{n}{n-1}\sum _{i=1}^n(r_{t,i}-{\bar{r}}_t{)}^2\approx \sum _{i=1}^n(r_{t,i}-{\bar{r}}_t{)}^2$$

2. 如果 { r t , i } \{r_{t,i}\} {rt,i​} 是MA(1)模型，则：
   $$Var(r_t^m|F_{t-1})=nVar(r_{t,1})+2(n-1)Cov(r_{t,1},t_{t,2})$$
   可以被估计为：
   $${\hat{\sigma }}_m^2=\frac{n}{n-1}\sum _{i=1}^n(r_{t,i}-{\bar{r}}_t{)}^2+2\sum _{i=1}^{n-1}(r_{t,i}-{\bar{r}}_t)(r_{t,i+1}-{\bar{r}}_t)$$

如果样本均值 ${\bar{r}}_t$ 为0，则 ${\hat{\sigma }}_m^2\approx {\sum }_{i=1}^n{r}_{t,i}^2$。

令 $r_t$ 为资产的每日对数收益，$r_t={\sum }_{i=1}^n{r}_{t,i}$。
$$R{V}_t=\sum _{i=1}^n{r}_{t,i}^2$$
被称为 $r_t$ 的已实现波动率。

GARCH-MIDAS模型

波动性的短期和长期组成部分是分开的。MIDAS（混合数据抽样）方法用于将宏观经济变量与波动性的长期组成部分联系起来。
$$r_{i,t}=E(r_{i,t}|F_{i-1,t})+a_{i,t},a_{i,t}=\sqrt{{\tau }_t\times g_{i,t}}{\epsilon }_{i,t}$$
其中 $r_{i,t}$ 是第 $t$ 个月的第 $i$ 天的对数收益。 { ε i , t } \{\varepsilon_{i,t}\} {εi,t​} i.i.d 的标准正态变量。

短期波动性成分：

一个均值回转单位日度GARCH(1,1)过程：
$$g_{i,t}=(1-\alpha -\beta )+\alpha \frac{a_{i,t}^2}{{\tau }_t}+\beta g_{i-1,t}$$
一个均值回转单位GJR(1,1)过程：
$$g_{i,t}=(1-\alpha -\beta -\frac{\gamma }{2})+(\alpha +\gamma \times I_{(a_{i,t}<0)})\frac{a_{i,t}^2}{{\tau }_t}+\beta g_{i-1,t}$$
长期波动率成分：
$$\begin{gathered} {\tau }_t=m+\theta \sum _{k=1}^K{\varphi }_k(w_1,w_2)R{V}_{t-k},R{V}_t=\sum _{i=1}^{N_t}{r}_{i,t}^2 \\ {\varphi }_k(w)=\{\begin{array}{l}\frac{(k/K{)}^{w_1-1}-(1-k/K{)}^{w_2-1}}{{\sum }_{j=1}^K(j/K{)}^{w_1-1}-(1-j/K{)}^{w_2-1}}\\ \frac{w^k}{{\sum }_{j=1}^K{w}^j}\end{array} \end{gathered}$$
滚动窗口RV：
$$R{V}_i^{(rw)}=\sum _{i=1}^{N^{\prime }}{r}_{i-j}^2$$
直接纳入宏观经济因素：
$$\log {\tau }_t=m_l+{\theta }_l\sum _{k=1}^{K_l}{\varphi }_k(w_{1,l},w_{2,l})X_{l,t-k}^{mv}$$