之前我们讨论过AR模型和ARMA模型,这两个模型是对时间序列数据的拟合与预测,此外时间序列模型对波动性的应用也较为广泛。(如:股票波动)。
ARIMA(这是我写的):链接
一、波动率的特征
- 存在波动率聚集现象,也就是说,波动率在一段时间内都比较高,在另一段时间内都比较低。
- 波动率是随着时间连续变化的。(一般来说波动率与时间的曲线f(x)是连续的)
- 波动率不会发散到无穷。
- 波动率对价格大幅上升和大幅下降的反应不同。这种现象称为杠杆效应。
二、建立模型
建立ARCH模型需要四个步骤:
- 通过检验数据的序列相关性,建立一个均值模型,如果有必要,对收益率序列建立一个计量经济模型来消除任何的线性依赖。
- 对均值的残差进行ARCH效应检验
- 如果ARCH效应在统计上是显著的则指定一个波动率模型,并对均值方程和波动率方程进行联合估计。
- 仔细地检验所拟合的模型,如有必要则对其进行改进。
三、波动率模型框架
对波动率进行建模的时候,我们需要同时考虑收益率的条件均值和条件方差。给定t-1时刻已知的信息集,的条件均值和条件方差为:
我们假设服从一个简单的时间序列模型,得到的平稳ARMA(p,q)模型如下: