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
E ( a t 4 ∣ F t − 1 ) = 3 [ E ( a t 2 ∣ F t − 1 ) ] 2 = 3 ( α 0 + α 1 a t − 1 2 ) 2 E ( a t 4 ) = E [ E ( a t 4 ∣ F t − 1 ) ] = 3 E [ ( α 0 + α 1 a t − 1 2 ) 2 ] = 3 E [ α 0 2 + 2 α 0 α 1 a t − 1 2 + α 1 2 a t − 1 4 ] = m 4 m 4 = 3 [ α 0 2 + 2 α 0 α 1 V a r ( a t ) + α 1 2 m 4 ] = 3