arch模型 python_【时间序列】波动率建模之ARCH模型

本文介绍了ARCH模型,用于描述经济时间序列的波动丛聚性。通过一阶自回归异方差模型ARCH(1)来建模条件异方差,并探讨其性质。进一步讨论了GARCH模型,它是ARCH模型的拓展,结合了自回归和异方差的移动平均项。最后,提供了使用Python的arch库进行ARCH过程建模的简单示例。
摘要由CSDN通过智能技术生成

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

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值