数模更新篇-4-ARCH和GARCH模型

引入ARCH模型的目的

数据呈现波动聚集性，长期看来时间序列平稳，短期看起来不平稳，存在异方差。

数据呈现波动聚集性的特点，但从长期来看，数据是平稳的，即长期方差（无条件方差）是定值，但是从短期来看，存在着异方差，我们称这种异方差为条件异方差（本期的方差大，下期的方差有很大的可能也大）。

何时使用ARCH或者GARCH模型

只有扰动项存在条件异方差的时候，才需要使用ARCH和GARCH模型。那么，如何判断扰动项是否存在条件异方差呢？初步的判断方法为画出时间序列图，观察是否存在“波动聚集性”。

严格的方法有三种

一

二

三

ARCH和GARCH模型的应用

数据如下：

由以上的数据我们可以得到：

由此图可知，序列波动比较大，尤其是在15年到16年的过程中。
我们由公式计算可以得到收益率

由得到的数据作图：

由上图的形式来看，完全符合所说的，可以使用ARCH模型或者GARCH模型。但是为了严谨性，进行单位根检验：

用Stata软件可以进行检验售一空v系列是否有单位根。

ADF检验的原假设：
数据是单位根序列，备择假设：数据是平衡序列
注意：平稳数据建模时用ARMA模型（或者ARIMA模型），单位根数据用ARIMA建模。
上图显示结果p的值为0，在99%的置信水平下拒绝原假设，所以序列平稳。

太多的滞后项会增加预测的误差，太少的滞后项优惠遗失部分相关信息。经验和理论知识通常是用来决定滞后项阶数的最好方式，然而，依然存在着一些准则帮助我们确定之后的阶数。为了确定那个模型拟合的效果最好，分别估计四种模型，并且计算出对应的AIC和BIC值，认为AIC和BIC的值较小，拟合效果较好。

容易知到，四个模型中应该选取Model1，此时AIC 和 BIC的平均值最小。

残差序列直方图

紧接着检查残差是否为白噪声
选择用Ljung-Box Q检验，来检验ARMA模型的有效性。

滞后12项的检验值的P值大于0.05，在5%的显著性水平下并不能拒绝原假设。故可以认为通过白噪声检验，即我们认为回归得到的残差不存在较明显的相关性，因此模型有效性较好。

GARCH模型估计的结果

预测结果