arch模型 python_【时间序列】波动率建模之ARCH模型

1. ARCH

1.1 异方差

在传统计量经济学模型中，都假设干扰项的方差为常数(同方差)。但是在现实世界中，许多经济时间序列的波动具有丛聚性等特征。例如：股市中可能存在的涨跌，当遇到结构性风险，股票价格可能存在大涨或者大跌的情况，这种类时间序列被称为条件异方差，即使无条件异方差是恒定的，但是也会存在方差相对较高的时候，而这个波动率是通常会呈现出持续性，这被称为波动丛聚性。

1.2 ARCH过程

ARCH (atuoregressive conditional heteroskedastic，自回归条件异方差)模型可以描述一个序列阶段性的稳定和波动 ：

表示白噪音过程，满足 ;相互独立,和都为常数，且

把 代入到中可得：

这便是序列的一阶自回归异方模型ARCH(1)，推广到高阶则可得

我们为什么要用条件异方差呢，首先来考虑估计一个平稳的ARMA模型，则的条件均值为，用条件均值去预测下一期，则预测误差的方差为

如果使用无条件预测，结果一般是时间序列的长期均值。则无条件预测误差方差为

其中白噪音过程，，，可得

由此可得无条件预测方差大于条件预测方差，所以使用条件预测结果更好。所以针对一些时间序列的异方差性，可以使用一些模型去拟合条件方差。

1.3 ARCH性质

1.ARCH模型，误差项的条件均值和无条件均值都等于0.对于所有，因此，序列具有序列不相关性，但是误差并不相互独立(误差)，换个角度看， ARCH(1) 的方差是等于AR(1