目录
摘要
摘要: 近年来许多学者会用时间序列模型对金融数据进行分析。ARCH模型打破了以往需要假定金融时间序列满足方差齐性的局面,ARCH模型考虑时间序列的异方差性,使预测结果更真实。而基于ARCH模型,学者们提出了很多基于波动性等特征改进的回归模型,如GARCH模型、EGARCH模型、TGARCH模型等。本文将会对上述模型进行介绍,并介绍相关的应用。
关键字: 时间序列;回归模型;应用;ARCH模型;GARCH模型;EGARCH模型;TGARCH模型;
1 引言
随着我国经济的不断发展,金融市场日益壮大。如何利用现有的金融数据来预测未来的走向是许多学者的研究主题。
时间序列是将某种或多种统计属性按照时间的顺序进行罗列所形成的数列。而时间序列分析就是利用某种或多种指标的历史数据形成的数列,通过曲线拟合等多种方法建立一种适用于大部分的时间序列结果的统计模型的一种理论。
时间序列分析被广泛地应用于金融、电力系统、交通货运、地理测绘、建筑构造等领域。时间序列分析的主要目的之一就是预测。
金融时间序列分析作为时间序列分析的重要组成部分,由于金融产品的历史数据受到多种因素的影响,因此数据间非线性的特征明显,对金融时间序列的模型进行归纳和预测也具有重要的现实意义。能够帮助投资者更准确的预测金融产品未来的价格波动,以便投资者及时地进行金融产品比重的调整。
2 回归模型介绍
2.1 ARCH模型
Engle提出了ARCH模型,也称为自回归条件异方差模型。公式为y_t= βX_t+ϵ_t,在这种模型中他将误差项表示为前一时刻的函数&#