【模型】【课程笔记】04 金融时间序列

本文为课程《金融风险管理》第4章学习笔记，用于知识点总结和复习，对应教材《Quantitative Risk Management（2015）》，标号为原版书公式以便查阅。

往期回顾：

博文	内容
【模型】【课程笔记】01+02+03 金融风险管理导论	VaR、ES、风险测度性质等
【模型】【课程笔记】04 金融时间序列	ARMA、GARCH 等

一、框架

二、重要公式及推导

第四章 金融时间序列

4.1 Fundamentals of Time Series Analysis——ARMA

• 课程关联：《应用统计》第四部分 时间序列分析

4.1.1 Basic Definitions

1、离散随机过程（ a discrete-time stochastic process）：$(X_t{)}_{t\in z}$
2、矩(moment)：均值函数、自协方差函数

3、平稳性
宽平稳/协方差平稳（covariance stationarity)：只与相隔距离有关

4、宽平稳的自相关——协方差仅取决于阶数（lag)



5、白噪声：无序列相关性
严格白噪声（SWN）：要求独立同分布（iid），可以写出分布

6、鞅差序列（Martingale difference）
$E(M_t|M_{t-1},...)=E(M_t|M_{t-1})$：期望只依赖于前一期。
①时间序列：$(X_s{)}_{s\le t}$
②σ-代数$F_t$：代表到t时刻的信息

③鞅差定义：
鞅差序列与白噪声序列：鞅差序列要求均值为0（证明：条件平滑公式），协方差为0（证明：无论t和s谁大谁小，协方差=0），但不要求同方差（即方差可变），如果方差一致即为白噪声。
注：要求Xt是$F_t$可测的。

4.1.2 ARMA process

1、定义：$({\epsilon }_t{)}_{t\in Z}$表示白噪声，用$(Z_t{)}_{t\in Z}$表示严格的白噪声

总结：

（1）因果性（Casual ARMA process）——MA(∞)，根在单位圆外
①定义：（4.2）MA(∞)、（4.3）绝对可加性（absolute summability condition）：期望有限——平稳性
注解：写成L的级数的形式（参考预备知识③），因式分解写成$（1-a_{1}L）...（1-a_{p}L）$
重点性质：$X_t$只和${\epsilon }_t$及前面的有关，所以$cov(X_t,{\epsilon }_{t+k}=0),k>0$

②计算（参考预备知识③④）

（2）可逆性（Invertibility）——根在单位圆外
①ARMA(1,1)：用$X_t$去构建${\epsilon }_t$，方法：${\epsilon }_{t-1}$用迭代的方式表示，最终得到式（4.10）
②作用：计算残差

3、⭐求解条件均值（Conditional mean）

4、ARIMA模型——差分后平稳的序列
（1）定义

4.1.3 Analysis in the Time Domain（在时域上分析）

1、相关图（correlogram）
自相关系数、偏自相关系数

2、满足因果性（平稳性）和严格白噪声（${\epsilon }_t$换成$Z_t$），依分布收敛

特殊地，如果序列是白噪声，协方差阵退化为单位阵。
目的是：构造95%置信区间，进行假设检验，判断一个序列是不是白噪声。即前面ACF曲线的两条线，如果5%落在两条线之外，拒绝原假设，不是白噪声。

3、混成检验（Portmanteau test）
①Box-Pierce test：n倍（h个自相关系数的平方求和），服从自由度为h的卡方分布。
缺点：等权重

②Ljung-Box Test
j↑，权重越大，即滞后期越长权重越大（说明影响很大）。
n→∞，$Q_{LB}$和$Q_{BP}$的分布一样，服从自由度为h的卡方分布。
拒绝域：$Q_{LB}$>${\chi }_{\alpha }(h)$

4.1.4 statistical analysis of time series

1、预处理：画图（观察是否平稳，比如有季节趋势等）、单位根检验
2、去除趋势和季节性（seasonalities）
3、拟合与优化模型（定阶；AIC、BIC）

4、残差分析
不可观测的”信息“（unobserved innovation）->用可观测的值代替
初值选择：进而估计$\widehat{u_1}$再估计$\widehat{{\epsilon }_1}$，然后估计$\widehat{u_2}$，…，以此估计出残差序列$\hat{\epsilon }$

4.1.5 prediction

两种方法：Box-Jenkins approach、指数平滑方法（exponential smoothing）——指数加权滑动平均（EWMA：预测波动率），易推广到GARCH模型

1、模型法（4.11：ARMA模型）：
$u_t$可测
方法：用$X_t$前面的n个数据预测$X_{t+1}$，假设服从ARMA模型。
预测：$X_{t+h}$，用条件期望$E(X_{t+h}|F_t)$，依据是最小化均方误差，期望是最优的。

Example 4.15 预测ARMA（1，1）
运用鞅差序列性质，进行一步预测和两步预测，并不断迭代。


2、非模型法（指数平滑方法）
（1）方法适用范围：时间序列、有趋势但无季节性（seasonal component），不适合频繁变号（frequently changing signs）的情况，适用于波动率预测。
（2）公式：
经济学解释：实际值和前一期预测值的加权平均
（3）λ的选择：
主观选择（0.1-0.3），交叉验证：最小化均方误差，选择λ
$min{\sum }_{i=1}^m(P_{t+i}{Y}_{t+1+i}-Y_{t+1+i}{)}^2$

4.2 GARCH Models for Changing Volatility

4.2.1 ARCH process（条件异方差）

1、定义：
将$X_t$分成两个部分：标准差序列和严格白噪声，并对标准差序列进行识别建模，假设和$X_{t-i}$滞后项的平方呈线性关系。

2、ARCH 满足鞅差序列性质
${\sigma }_t$是可测（measurable）的，$({\sigma }_t{)}_{t\in z}$的过程是可料（previsible）的，所以可以放在括号前面。


3、如果$|X_{t-1}|,...,|X_{t-p}|$比较大，从而$Var(X_t)$大，可以用来描述波动率聚集的现象。

4.2.2 GARCH process

1、GARCH
（1）定义：
标准差序列不仅依赖于$X_{t-i}$滞后项的平方，还和自身的前一期取值有关。

（2）GARCH(1,1)：可以写成ARMA（∞）的形式（用$X_{t-i}^2$表示）
表现出持续（persistent）的高波动性(high volatility）。
①平稳性：α+β<1


②四阶矩（fourth moments and kurtosis）：
${\kappa }_z>1$大于常见的高斯分布和t分布

2、IGARCH（Integrated GARCH——单整）

4.2.3 Simple Extensions of GARCH Model

1、ARMA-GARCH：用于边际分布
（1）结合ARMA（4.11）、GARCH（4.24），写出ARMA-GARCH模型。



（2）由于ARMA模型是可逆的，保证了${\mu }_t$是$F_{t-1}$-measure（可测的），并且${\sigma }_t$依赖于无限历史（infinite history）$(X_s-{\mu }_s{)}_{s\le t-1}$，ARMA模型的可逆性保证了${\sigma }_t$是$F_{t-1}$-measure。
条件均值，条件方差：

2、GARCH with leverage：具有杠杆性的GARCH
波动率的不对称效应：坏消息的冲击远大于好消息的冲击（δ的期望为负）。
杠杆：资本负债率（debt-to-equity ratio）
注解：红线代表边际效应。

3、Threshold GARCH：门限GARCH模型——将线性时间序列变成非线性的一种手段，不仅来自于一个模型
$X_{t-1}<0$取1，代表坏消息的冲击，$X_{t-1}>0$取0
此处门限选择为0，也可以不是0，或者多个门限。

另一种表示的解释：对自回归项也有额外的冲击

4.2.4 Fitting GARCH Models to Data（基于极大似然进行参数估计）

1、方法
已知：n+1个数据
将联合密度函数表示成条件密度函数乘积的形式（有公式可证⭐）。
将联合密度函数看成是参数的函数，叫做似然函数。

2、对于ARCH（1）过程，符合一阶马尔可夫性质（first-order Markovian），可以看作是只依赖于前面的一项$X_{t-1}$。

证明过程：
$X_t={\sigma }_t\cdot Z_t$
$F(x)=P(X\le x)=P(z\le x/\sigma )=F_z(x/\sigma )$
两边求导即：$f(x)=f_z(x/\sigma )\cdot (1/\sigma )$

3、条件极大似然——$f_{X_0}$没有显式表达式，方法：给定$X_0$

对于ARCH(1)：${\sigma }_t$不仅依赖于$X_{t-1}$，也依赖于$X_{t-p}$，即依赖于前面p阶。${\sigma }_t$与${\sigma }_{t-1}$“各自算各自，互相不打交道”。

对于GARCH(1,1)，${\sigma }_t$是迭代的，必须依赖于${\sigma }_{t-1}$。
所以条件密度依赖于${\sigma }_t$，${\sigma }_t$依赖于前面所有的（不仅是p个）。

${\sigma }_0^2$不可观测，所以选择初值，一般是样本方差或者是0。通过公式不断向前迭代，算出${\sigma }_1^2$、${\sigma }_2^2$…（均可以表示为三个参数$\alpha 、{\alpha }_1、{\beta }_1$的形式），代入似然函数中替换掉${\sigma }_t$，由于Xt已知，可以最大化似然函数L，得到参数估计。

对于ARMA-GARCH模型：${\sigma }_t$和${\mu }_t$表达式写出来代入

4、对数极大似然（log-likelihood）：最大化表达式（有代码）或梯度为0
左边是得分向量（score vector），用牛顿迭代法（Newton-Raphson）方法。

5、拟极大似然法——quasi-maximum likelihood (QML)
（1）方法适用场景：${\sigma }_t$正确，但$Z_t$不服从N(0,1)，仍用正态假定，进行拟极大似然估计。
（2）MLE性质：中心极限定理，相合性（consistent：均值为0），渐进正态性（asymptotically normal：服从正态分布）
收敛速度：$1/\sqrt{n}$
Fisher information matrix：外积形式（列向量x行向量），乘完是一个矩阵，再加上期望。(补充：内积乘完是个矩阵）
或者是等于Hessian矩阵。

对数似然的导数（the derivatives of the log-likelihood）一般用一阶或二阶差分（first- and second-order differences）估计，代入$\hat{\theta }$

（3）应用
模型正确估计：两种估计均可
模型不正确估计：“三明治”方法，相等的话为任一一个，不相等的话两个信息都用

拟极大似然（QML）——non-Gaussian innovations，必须用“三明治”的方法去估计。从而进行${\theta }_j$的区间估计，或者构造统计量进行参数的假设检验，如：$H_0：{\beta }_3=0$？，杠杆效应的$\delta =0$？

6、标准化残差$Z_t$和非标准化的残差${\epsilon }_t$（框图)
$X_t-{\mu }_t={\epsilon }_t={\sigma }_t{Z}_t$
（1）定义
非标准化残差${\epsilon }_t$：鞅差序列
标准化残差$Z_t$：白噪声（4.40），用$\hat{\rho }$检验白噪声（WN)，Ljung–Box test。

（2）两阶段分析（two-stage approach）
①定义：先用拟极大似然方法（QML）动态(dynamics)估计，第一阶段也称变白噪声（pre-whitening），然后用模型的残差识别建模信息分布（innovation distribution），在第二阶段可能会考虑使用重尾模型（heavier-tailed model），描述分布中的不对称性（asymmetry）。
②缺点：时间序列模型的建模误差（modelling error）影响到第二阶段拟合分布（distributional fitting），而总体误差很难定量。这要求建模更加透明化，即将对波动性建模（volatility modelling）和过程中的冲击（modelling shocks that drive the process）分开。这在更高维度风险因素建模中，可能是个实用的方法。
例子：Example 4.24 分析图表

4.2.5 Volatility forecasting and risk measure estimation

1、模型
已知：$X_t$宽平稳时间序列，${\mu }_t、{\sigma }_t$是$F_{t-1}$可测，$Z_t$白噪声。ARMA-GARCH模型（4.41）
目的：预测${\sigma }_{t+h}$（h步之后的数据）


2、GARCH-based volatility prediction
对于GARCH（1，1）：
${\mu }_t=0$
$E(X_{t+h}|F_t)=0$（鞅差序列的性质）

用迭代的方法，可以计算出${\hat{\sigma }}_{t+1}^2$、${\hat{\sigma }}_{t+2}^2$…，归纳法（详细过程见笔记）

h→∞，趋近于无条件方差

3、混合模型预测
对于ARMA(1,1)—GARCH(1,1)：

4、Exponential smoothing for volatility
估计${\mu }_t$：插入方法——滑动平均、ARMA、滑窗
预测$X_{t+1}$等于实际发生值和预测值的加权平均

估计方差（EWMA）：

5、Estimates of VaR and expected shortfall（估计VaR和ES）
思路：估计VaR和ES，即估计条件分布$F_{X_{t+1}}|F_t$，用t时刻信息去估计t+1时刻。
算风险：估计${\mu }_{t+1}$、${\sigma }_{t+1}$
Z的分布也需要去估计(极值理论），除非假定正态或者t分布（需要估计自由度）。严格白噪声就可以用单一分布去刻画。