本篇博文主要介绍ARCH模型和GARCH模型。
文章目录
一些基本定义
集群效应
在消除确定性非平稳因素的影响之后,残差序列的波动在大部分时段是平稳的,但会在某些时段波动持续偏大,在某些时段波动持续偏小,呈现出集群效应。
ARCH模型
在某段时间方差不是齐性的,由于这种序列波动特征,提出了自回归条件异方差模型(autogressive conditional heteroskedastic),即ARCH模型。
原理
假设在历史数据已知的情况下,零均值、纯随机残差序列具有异方差性:
V a r ( ε t ) = h t Var(\varepsilon_t)=h_t Var(εt)=ht
在正态分布的假定下,有
ε t / h t ∼ N ( 0 , 1 ) \varepsilon_t/\sqrt{h_t}\sim N(0,1) εt/ht∼N(0,1)
异方差等价于残差平方的均值
E ( ε t 2 ) = h t E(\varepsilon_t^2)=h_t E(εt2)=ht
使用残差平方序列的自相关系数 ρ k = C o v ( ε t 2 , ε t − k 2 ) V a r ( ε t 2 ) \rho_k=\frac{Cov(\varepsilon_t^2,\varepsilon_{t-k}^2)}{Var(\varepsilon_t^2)} ρk=Var(εt2)Cov(εt2,εt−k2),可以考察异方差函数的自相关性。
可能出现的结果有:
(1)自相关系数恒为零,即
ρ
k
=
0
,
k
=
1
,
2
,
.
.
.
\rho_k=0,k=1,2,...
ρk=0,k=1,2,...
这说明异方差函数是随机的,即历史数据对未来异方差的估计一点作用都没有。
(2)存在某个自相关系数不为零,即
ρ
k
≠
0
,
k
≥
1
\rho_k \neq0,k\geq1
ρk=0,k≥1
意味着残差平方序列中蕴涵着某种相关信息,可以通过构造适当的模型提取这些相关信息,以获得序列异方差波动特征,ARCH模型就是基于这种场合构造的模型,具有:
h
t
=
E
(
ε
t
2
)
=
ω
+
∑
j
=
1
q
λ
j
ε
t
−
j
2
h_t=E(\varepsilon_t^2)=\omega+\sum_{j=1}^q\lambda_j\varepsilon_{t-j}^2
ht=E(εt2)=ω+∑j=1qλjεt−j2
结构的模型称为q阶自回归条件异方差模型,简记为ARCH(q)
作用
V a r ( ε t ∣ ε t − 1 , ε t − 2 , . . . ) = E ( ε t 2 ∣ ε t − 1 , ε t − 2 , . . . ) = ω + ∑ j = 1 q λ j ε t − j 2 Var(\varepsilon_t|\varepsilon_{t-1},\varepsilon_{t-2},...)=E(\varepsilon_t^2|\varepsilon_{t-1},\varepsilon_{t-2},...)=\omega+\sum_{j=1}^q\lambda_j\varepsilon_{t-j}^2 Var(εt∣εt−1,εt−2,...)=E(εt2∣εt−1,εt−2,...)=ω+∑j=1qλjεt−j2
ARCH模型的实质是将历史波动信息作为条件,并采用某种自回归形式来刻画波动的变化,对于一个时间序列而言,在不同的时刻包含的历史信息不同,因而相应的条件方差也不同。
利用ARCH模型,可以刻画出随时间变化而变化的条件方差,它比无条件方差更及时地反映了序列即期波动的特征,这就是ARCH模型的作用。
使用ARCH模型提取异方差中蕴涵的相关信息的完整结构为:
ARCH检验
ARCH检验不仅要求序列具有异方差性,而且要求这种异方差性是由某种自相关关系造成的,这种自相关关系可以用残差序列的自回归模型进行拟合,常用的两种ARCH检验统计方法是Portmanteau Q检验和LM检验。
Portmanteau Q检验
如果残差序列方差非齐,且具有集群效应,那么残差平方序列通常具有自相关性,那么方差非齐检验可以转化为残差平方序列的自相关检验。
Portmanteau Q检验的假设条件是:
该假设条件等价于:
H
0
:
ρ
1
=
ρ
2
=
.
.
.
=
ρ
q
=
0
H_0: \rho_1=\rho_2=...=\rho_q=0
H0:ρ1=ρ2=...=ρq=0
H
1
:
ρ
1
,
ρ
2
,
.
.
.
,
ρ
q
不
全
为
零
H_1:\rho_1,\rho_2,...,\rho_q不全为零
H1:ρ1,ρ2,...,ρq不全为零
其中
ρ
k
\rho_k
ρk表示残差平方序列
ε
t
2
{\varepsilon_t^2}
εt2的延迟
k
k
k阶自相关系数
Portmanteau Q检验统计量实际上就是
ε
t
2
{\varepsilon_t^2}
εt2的LB统计量
原假设成立时,Portmanteau Q统计量近似服从自由度为
q
−
1
q-1
q−1的
χ
2
\chi^2
χ2分布。
当
Q
(
q
)
Q(q)
Q(q)检验统计量的
P
P
P值小于显著性水平
α
\alpha
α时,拒绝原假设,认为该序列方差非齐且具有自相关关系。
拉格朗日乘子检验
拉格朗日乘子检验的构造思想:如果残差序列方差非齐,且具有集群效应,那么残差平方序列通常具有自相关性。
可以尝试使用自回归模型(ARCH(q)模型)拟合残差平方序列
ε t 2 = ω + ∑ j = 1 q λ j ε t − j 2 + e t \varepsilon_t^2=\omega+\sum_{j=1}^q\lambda_j\varepsilon_{t-j}^2+e_t εt2=ω+∑j=1qλjεt−j2+et
于是方差齐性检验就可以转化为这个方程是否显著成立的检验。拉格朗日乘子检验实际上就是残差平方序列 ε t 2 \varepsilon_t^2 εt2自回归方程的显著性检验。
拉格朗日乘子检验的假设条件为:
对残差平方序列构造
q
q
q阶自回归方程,假设条件等价为:
记总误差平方和为
S
S
T
=
∑
t
=
q
+
1
T
ε
t
2
SST=\sum_{t=q+1}^T\varepsilon_t^2
SST=∑t=q+1Tεt2,自由度为
T
−
q
−
1
T-q-1
T−q−1,回归平方和为
S
S
R
=
S
S
T
−
S
S
E
SSR=SST-SSE
SSR=SST−SSE,自由度为
q
q
q,其中,
S
S
E
SSE
SSE为回归方程残差平方和,
S
S
E
=
∑
t
=
q
+
1
T
e
t
2
SSE=\sum_{t=q+1}^Te_t^2
SSE=∑t=q+1Tet2,自由度为
T
−
2
q
−
1
T-2q-1
T−2q−1,则
L
M
LM
LM检验统计量为:
原假设成立时,
L
M
(
q
)
LM(q)
LM(q)统计量近似服从自由度为
q
−
1
q-1
q−1的
χ
2
\chi^2
χ2分布
当
L
M
(
q
)
LM(q)
LM(q)检验统计量的
P
P
P值小于显著性水平
α
\alpha
α时,拒绝原假设,认为该序列方差非齐,并且可以用
q
q
q阶自回归模型拟合残差平方序列中的自相关关系。
GARCH模型
ARCH模型的实质是使用残差平方序列的 q q q阶移动平均拟合当期异方差函数值,由于移动平均模型具有自相关系数 q q q阶截尾性,所以ARCH模型实际上只适用于异方差函数短期自相关过程。
而GARCH模型是在ARCH模型的基础上,增加考虑了异方差函数的 p p p阶自相关性而形成的,它可以有效地拟合具有长期记忆性的异方差函数。
定义
广义自回归条件异方差模型,结构如下:
AR-GARCH模型
回归函数
f
(
t
,
x
t
−
1
,
x
t
−
2
,
.
.
.
)
f(t,x_{t-1},x_{t-2},...)
f(t,xt−1,xt−2,...)不能充分提取原序列中的相关信息,
ε
t
{\varepsilon_t}
εt可能具有自相关性,而不是纯随机的,这时需要先对
ε
t
{\varepsilon_t}
εt拟合自回归模型,再考虑自回归残差序列
v
t
{v_t}
vt的方差齐性,如果
v
t
{v_t}
vt异方差,对它拟合GARCH模型,这样构造的模型称为AR-GARCH模型
GARCH模型的衍生模型
指数GARCH模型
方差无穷GARCH模型
当GARCH模型平稳时,
ε
t
\varepsilon_t
εt的无条件方差为:
把这个约束条件改写为:
就构成了IGARCH模型