ARCH与GARCH模型

本文介绍了ARCH与GARCH模型在时间序列波动率分析中的应用,详细阐述了波动率的特征、模型建立步骤,并提供了使用Python进行模型检验和拟合的代码示例。通过对收益率序列的ARIMA建模和ARCH效应检验,确定了GARCH模型的阶次,展示了模型的构建过程。
摘要由CSDN通过智能技术生成

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

  1. 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。
  2. 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)
  3. 波动率不会发散到无穷。
  4. 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:

  1. 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。
  2. 对均值的残差进行ARCH效应检验
  3. 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。
  4. 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F_{t-1},r_{t}的条件均值和条件方差为:

u_{t} = E(\frac{r_{t}}{F_{t-1}})

\sigma _{t}^{2} = var(\frac{r_{t}}{F_{t-1}})

我们假设r_{t}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:

r_{t} = u_{t}+a_{t}

  • 14
    点赞
  • 98
    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