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