《量化金融R语言初级教程》一1.4 波动率建模

本节书摘来异步社区《量化金融R语言初级教程》一书中的第1章，第1.4节，作者： 【匈牙利】Gergely Daróczi（盖尔盖伊） , 等 译者： 高蓉 , 李茂 责编： 胡俊英，更多章节内容可以访问云栖社区“异步社区”公众号查看。

1.4　波动率建模

正如我们之前所见，ARIMA模型常常用于过程的过去值已知时的条件期望建模。过去值已知的过程的条件方差是常数。真实世界的金融时间序列存在着波动性聚集和其他特点，换句话说，突发波动率打破了相对稳定的时期。

在这一节中，我们来考查GARCH时间序列模型。GARCH模型研究真实世界的（金融）时间序列的这个典型化事实——波动性聚集，并进一步运用这些模型预测在险价值（Value at Risk，VaR）。

1.4.1　风险管理的波动率预测

金融机构使用VaR来度量他们的活动风险，通常在10个工作日范围内计算置信水平为99%的临界值。这意味着在这10天内，只有1%的时间会出现预期损失超过临界值。

我们载入zoo包并导入英特尔公司的月收益率数据，时间范围从1973年1月～2008年12月。

> library("zoo")
> intc <- read.zoo("intc.csv", header = TRUE,
+　 sep = ",",  format = "%Y-%m", FUN = as.yearmon)

1.4.2　检验ARCH效应

收益率图形表明，在月收益率数据中可能存在ARCH效应。

> plot(intc, main = "Monthly returns of Intel Corporation",
+　 xlab = "Date", ylab = "Return in percent")

上面命令的输出在图1-3中显示。

我们可以使用统计假设检验来验证自己的想法。两种常用检验如下。

用于平方收益率（波动率的一种代理）自相关的Ljung-Box检验。
Engle（1982年）提出的拉格朗日乘子（LM）检验。
首先，我们运行下面的命令，从而在平方收益率的前12阶滞后值上执行Ljung-Box检验。