ARCH模型类
1 ARCH模型
异方差问题一般出现在带有截面的观测数据中,但对于某些时间序列也存在异方差问题。例如股票收益率波动较大的观测一般集聚在一起,而波动较小的观测集聚在一起,这表现出一种“波动集聚”。
1.1 ARCH模型
考虑模型
y
t
=
x
t
′
β
+
ε
t
(1)
y_{t}=\boldsymbol{x}_{t}^{\prime} \boldsymbol{\beta}+\varepsilon_{t}\tag{1}
yt=xt′β+εt(1)
记
ε
t
\varepsilon_{t}
εt条件方差为
σ
t
2
≡
Var
(
ε
t
∣
ε
t
−
1
,
⋯
)
\sigma_{t}^{2} \equiv \operatorname{Var}\left(\varepsilon_{t} \mid \varepsilon_{t-1}, \cdots\right)
σt2≡Var(εt∣εt−1,⋯),这表明扰动项不是同方差,它随着时间变动而变动。模型(1)中,
ε
t
\varepsilon_t
εt是引起
y
t
y_t
yt变化的系统扰动的部分,
y
t
y_t
yt的波动程度取决于
ε
t
\varepsilon_t
εt的分布情况,将扰动项的方差视为扰动项的函数
σ
t
2
=
α
0
+
α
1
ε
t
−
1
2
(2)
\sigma_{t}^{2}=\alpha_{0}+\alpha_{1} \varepsilon_{t-1}^{2}\tag{2}
σt2=α0+α1εt−12(2)
式表明,上一期的扰动项的会对本期扰动项的方差产生影响。称模型(1)为均值方程,模型(2)为方差方程。均值方程的自变量如果视为被解释变量的滞后值,则是标准的ARCH模型,记作
{
x
t
=
β
0
+
β
1
x
t
−
1
+
β
2
x
t
−
2
+
…
+
β
p
x
t
−
p
+
u
t
σ
t
2
=
E
(
u
t
2
)
=
α
0
+
α
1
u
t
−
1
2
+
α
2
u
t
−
2
2
+
…
+
α
q
u
t
−
q
2
(3)
\left\{\begin{array}{l} x_{t}=\beta_{0}+\beta_{1} x_{t-1}+\beta_{2} x_{t-2}+\ldots+\beta_{p} x_{t-p}+u_{t} \\ \sigma_{t}^{2}=\mathrm{E}\left(u_{t}^{2}\right)=\alpha_{0}+\alpha_{1} u_{t-1}^{2}+\alpha_{2} u_{t-2}^{2}+\ldots+\alpha_{q} u_{t-q}^{2} \end{array}\right.\tag{3}
{xt=β0+β1xt−1+β2xt−2+…+βpxt−p+utσt2=E(ut2)=α0+α1ut−12+α2ut−22+…+αqut−q2(3)
式中第一个方程为均值方程,即服从自回归过程
A
R
(
p
)
AR(p)
AR(p),第二个方程为条件方差方程,
μ
t
∼
A
R
C
H
(
q
)
\mu_t \sim ARCH(q)
μt∼ARCH(q) 。由于自回归方程为平稳序列建模方法,因此随机过程
{
x
t
}
\{x_t\}
{xt}必须是平稳的,且特征方程满足
1
−
β
1
L
−
β
2
L
2
−
…
−
β
p
L
p
=
0
1-\beta_{1} L-\beta_{2} L^{2}-\ldots-\beta_{p} L^{p}=0
1−β1L−β2L2−…−βpLp=0
的特征根全部在单位圆外。
{
x
t
}
\{x_t\}
{xt}条件期望为
E
(
x
t
∣
x
t
−
1
,
…
,
x
t
−
p
)
=
β
0
+
β
1
x
t
−
1
+
β
2
x
t
−
2
+
…
+
β
p
x
t
−
p
\mathbf{E}\left(x_{t} \mid x_{t-1}, \ldots, x_{t-p}\right)=\beta_{0}+\beta_{1} x_{t-1}+\beta_{2} x_{t-2}+\ldots+\beta_{p} x_{t-p}
E(xt∣xt−1,…,xt−p)=β0+β1xt−1+β2xt−2+…+βpxt−p
当时间
t
→
T
t\to T
t→T时,
x
t
x_t
xt的无条件期望为
E
(
x
t
)
=
β
0
1
−
β
1
−
⋯
−
β
p
\mathbf{E}\left(\boldsymbol{x}_{t}\right)=\frac{\beta_{0}}{1-\beta_{1}-\cdots-\beta_{p}}
E(xt)=1−β1−⋯−βpβ0
1.2 ARCH模型性质
- 非负性
ARCH方程 σ t 2 = E ( u t 2 ) = α 0 + α 1 u t − 1 2 + α 2 u t − 2 2 + … + α q u t − q 2 \sigma_{t}^{2}=\mathrm{E}\left(u_{t}^{2}\right)=\alpha_{0}+\alpha_{1} u_{t-1}^{2}+\alpha_{2} u_{t-2}^{2}+\ldots+\alpha_{q} u_{t-q}^{2} σt2=E(ut2)=α0+α1ut−12+α2ut−22+…+αqut−q2中所有扰动项平方项均非负,因此各个参数 α i ≥ 0 ( i = 1 , 2 … q ) \alpha_i\ge 0(i=1,2\dots q) αi≥0(i=1,2…q),且 α 0 > 0 \alpha_0 > 0 α0>0。当 α i = 0 ( i = 1 , 2 … q ) \alpha_i = 0(i=1,2\dots q) αi=0(i=1,2…q),则 σ t 2 = α 0 > 0 \sigma_t^2 = \alpha_0>0 σt2=α0>0
- 平稳性
为了保证方差序列也是平稳的,需要满足ARCH的特征方程
1
−
α
1
L
−
α
2
L
2
−
…
−
α
q
L
q
=
0
1-\alpha_{1} L-\alpha_{2} L^{2}-\ldots-\alpha_{q} L^{q}=0
1−α1L−α2L2−…−αqLq=0
的所有特征根全部在单位圆外。
- 归一性
ARCH方程的所有参数 ∑ i q α i ∈ [ 0 , 1 ) ( i = 1 , 2 … q ) \sum_i^q\alpha_i \in[0,1)(i = 1,2\dots q) ∑iqαi∈[0,1)(i=1,2…q),
证明:ARCH方程两端求期望
σ t 2 = α 0 + α 1 E ( u t − 1 2 ) + α 2 E ( u t − 2 2 ) + … + α q E ( u t − q 2 ) = α 0 + α 1 σ t − 1 2 + α 2 σ t − 2 2 + … + α q σ t − q 2 \begin{aligned} \sigma_{t}^{2} &=\alpha_{0}+\alpha_{1} \mathbf{E}\left(u_{t-1}^{2}\right)+\alpha_{2} \mathbf{E}\left(u_{t-2}^{2}\right)+\ldots+\alpha_{q} \mathbf{E}\left(u_{t-q}^{2}\right) \\ &=\alpha_{0}+\alpha_{1} \sigma_{t-1}^{2}+\alpha_{2} \sigma_{t-2}^{2}+\ldots+\alpha_{q} \sigma_{t-q}^{2} \end{aligned} σt2=α0+α1E(ut−12)+α2E(ut−22)+…+αqE(ut−q2)=α0+α1σt−12+α2σt−22+…+αqσt−q2
当 t → ∞ t \to \infty t→∞时,
σ 2 = α 0 + α 1 σ 2 + α 2 σ 2 + … + α q σ 2 \sigma^{2}=\alpha_{0}+\alpha_{1} \sigma^{2}+\alpha_{2} \sigma^{2}+\ldots+\alpha_{q} \sigma^{2} σ2=α0+α1σ2+α2σ2+…+αqσ2
解得
σ 2 = 1 1 − ∑ i = 1 q α i α 0 \sigma^{2}=\frac{1}{1-\sum_{i=1}^{q} \alpha_{i}} \alpha_{0} σ2=1−∑i=1qαi1α0
由于 α 0 ≥ 0 \alpha_0\ge0 α0≥0,故 ∑ i q α i ∈ [ 0 , 1 ) ( i = 1 , 2 … q ) \sum_i^q\alpha_i \in[0,1)(i = 1,2\dots q) ∑iqαi∈[0,1)(i=1,2…q),才能保证 σ t 2 \sigma^2_t σt2非负。
1.3 ARCH模型估计
ARCH模型用极大似然方法估计。设均值方程为
y
t
=
x
t
′
β
+
ε
t
y_{t}=\boldsymbol{x}_{t}^{\prime} \boldsymbol{\beta}+\varepsilon_{t}
yt=xt′β+εt
其中参数向量
β
=
(
β
0
β
1
,
…
,
β
k
−
1
)
′
\beta=\left(\beta_{0} \quad \beta_{1}, \ldots, \beta_{k-1}\right)^{\prime}
β=(β0β1,…,βk−1)′,数据向量
x
t
=
(
1
x
1
,
…
,
x
k
−
1
)
′
x_{t}=\left(1 \quad x_{1}, \ldots, x_{k-1}\right)^{\prime}
xt=(1x1,…,xk−1)′。注意
x
t
x_t
xt即包括
y
y
y的滞后项(AR过程)也可以包括其他外生变量(ADL过程)。扰动项
ε
t
∼
A
R
C
H
(
q
)
\varepsilon_t \sim ARCH(q)
εt∼ARCH(q)。由于ARCH过程存在滞后
q
q
q项,为了保证样本容量为
T
T
T,假设总的样本容量对应的时间观测点为
1
,
2
,
3
…
T
,
…
T
+
q
1,2,3\dots T,\dots T+q
1,2,3…T,…T+q。设方程(1)的扰动项
ε
t
=
h
t
v
t
\boldsymbol{\varepsilon}_{t}=\sqrt{h_{t}} \boldsymbol{v}_{t}
εt=htvt
其中
v
t
v_t
vt为服从
i
i
d
(
0
,
1
)
iid(0,1)
iid(0,1),
C
o
v
(
x
t
,
v
t
)
=
0
Cov(x_t,v_t) = 0
Cov(xt,vt)=0,
h
t
h_t
ht为扰动项
ε
t
\varepsilon_t
εt的方差,即
h
t
=
α
0
+
α
1
u
t
−
1
2
+
α
2
u
t
−
2
2
+
…
+
α
q
u
t
−
q
2
h_{t}=\alpha_{0}+\alpha_{1} u_{t-1}^{2}+\alpha_{2} u_{t-2}^{2}+\ldots+\alpha_{q} u_{t-q}^{2}
ht=α0+α1ut−12+α2ut−22+…+αqut−q2
显然
σ
t
2
=
E
(
u
t
2
)
=
h
t
,
E
(
u
t
)
=
0
\sigma_{t}^{2}=\mathbf{E}\left(u_{t}^{2}\right)=h_{t}, \quad \mathbf{E}\left(u_{t}\right)=0
σt2=E(ut2)=ht,E(ut)=0。如果
ε
t
\varepsilon_t
εt服从正态分布,则
y
t
y_t
yt的条件概率密度函数为
f
(
y
t
∣
x
t
,
α
i
,
β
)
=
1
2
π
h
t
exp
(
−
(
y
t
−
x
t
′
β
)
2
2
h
t
)
f\left(y_{t} \mid x_{t}, \alpha_{i}, \beta\right)=\frac{1}{\sqrt{2 \pi h_{t}}} \exp \left(-\frac{\left(y_{t}-x_{t}^{\prime} \beta\right)^{2}}{2 h_{t}}\right)
f(yt∣xt,αi,β)=2πht1exp(−2ht(yt−xt′β)2)
另外
h
t
=
α
0
+
α
1
(
y
t
−
1
−
x
t
−
1
′
β
)
2
+
α
2
(
y
t
−
2
−
x
t
−
2
′
β
)
2
+
…
+
α
q
(
y
t
−
q
−
x
t
−
q
′
β
)
2
h_{t}=\alpha_{0}+\alpha_{1}\left(y_{t-1}-x_{t-1}^{\prime} \beta\right)^{2}+\alpha_{2}\left(y_{t-2}-x_{t-2}^{\prime} \beta\right)^{2}+\ldots+\alpha_{q}\left(y_{t-q}-x_{t-q}^{\prime} \beta\right)^{2}
ht=α0+α1(yt−1−xt−1′β)2+α2(yt−2−xt−2′β)2+…+αq(yt−q−xt−q′β)2
将参数
β
\beta
β有
α
=
(
α
0
α
1
α
2
…
α
q
)
′
\alpha=\left(\begin{array}{lllll} \alpha_{0} & \alpha_{1} & \alpha_{2} & \ldots & \alpha_{q} \end{array}\right)^{\prime}
α=(α0α1α2…αq)′记作
γ
=
(
β
α
)
′
\gamma = (\beta\quad \alpha)'
γ=(βα)′,考虑
{
y
t
=
x
t
′
β
+
u
t
u
t
=
h
t
v
t
h
t
=
α
0
+
α
1
u
t
−
1
2
+
α
2
u
t
−
2
2
+
…
+
α
q
u
t
−
q
2
\left\{\begin{array}{l} y_{t}=x_{t}^{\prime} \beta+u_{t} \\ u_{t}=\sqrt{h_{t}} v_{t} \\ h_{t}=\alpha_{0}+\alpha_{1} u_{t-1}^{2}+\alpha_{2} u_{t-2}^{2}+\ldots+\alpha_{q} u_{t-q}^{2} \end{array}\right.
⎩
⎨
⎧yt=xt′β+utut=htvtht=α0+α1ut−12+α2ut−22+…+αqut−q2
的极大似然函数为
log
L
(
γ
)
=
∑
t
=
1
T
log
f
(
y
t
∣
x
t
,
γ
)
=
−
T
2
log
(
2
π
)
−
1
2
∑
t
=
1
T
log
(
h
t
)
−
1
2
∑
t
=
1
T
(
y
t
−
x
t
′
β
)
2
h
t
\begin{aligned} \log L(\gamma) &=\sum_{t=1}^{T} \log f\left(y_{t} \mid x_{t}, \gamma\right) \\ &=-\frac{T}{2} \log (2 \pi)-\frac{1}{2} \sum_{t=1}^{T} \log \left(h_{t}\right)-\frac{1}{2} \sum_{t=1}^{T} \frac{\left(y_{t}-x_{t}^{\prime} \beta\right)^{2}}{h_{t}} \end{aligned}
logL(γ)=t=1∑Tlogf(yt∣xt,γ)=−2Tlog(2π)−21t=1∑Tlog(ht)−21t=1∑Tht(yt−xt′β)2
接下来寻找
γ
=
γ
^
\gamma = \hat \gamma
γ=γ^时,使得
l
o
g
L
(
γ
)
logL(\gamma)
logL(γ)值最大,
下面是求解步骤:
∂ log L ( γ ) ∂ γ = − 1 2 ∑ t = 1 T ∂ log h t ∂ γ − 1 2 ∑ t = 1 T [ 1 h t ∂ ( y t − x t ′ β ) 2 ∂ γ − ( y t − x t ′ β ) 2 h t 2 ∂ h t ∂ γ ] = 1 2 ∑ t = 1 T ( − 1 h t ∂ h t ∂ γ − 1 h t ∂ ( y t − x t ′ β ) 2 ∂ γ + u t 2 h t 2 ∂ h t ∂ γ ) = 1 2 ∑ t = 1 T ( u t 2 h t 2 ∂ h t ∂ γ − 1 h t ∂ h t ∂ γ ∂ γ − 1 h t ∂ ( y t − x t ′ β ) 2 ∂ γ ) = 1 2 ∑ t = 1 T ( u t 2 − h t h t 2 ∂ h t ∂ γ − 1 h t ∂ ( y t − x t ′ β ) 2 ∂ γ ) \begin{aligned} \frac{\partial \log L(\gamma)}{\partial \gamma} &=-\frac{1}{2} \sum_{t=1}^{T} \frac{\partial \log h_{t}}{\partial \gamma}-\frac{1}{2} \sum_{t=1}^{T}\left[\frac{1}{h_{t}} \frac{\partial\left(y_{t}-\boldsymbol{x}_{t}^{\prime} \boldsymbol{\beta}\right)^{2}}{\partial \gamma}-\frac{\left(y_{t}-\boldsymbol{x}_{t}^{\prime} \boldsymbol{\beta}\right)^{2}}{h_{t}^{2}} \frac{\partial h_{t}}{\partial \boldsymbol{\gamma}}\right] \\ &=\frac{1}{2} \sum_{t=1}^{T}\left(-\frac{1}{h_{t}} \frac{\partial h_{t}}{\partial \boldsymbol{\gamma}}-\frac{1}{h_{t}} \frac{\partial\left(y_{t}-\boldsymbol{x}_{t}^{\prime} \boldsymbol{\beta}\right)^{2}}{\partial \gamma}+\frac{u_{t}^{2}}{h_{t}^{2}} \frac{\partial h_{t}}{\partial \gamma}\right) \\ &=\frac{1}{2} \sum_{t=1}^{T} {\left(\frac{u_{t}^{2}}{h_{t}^{2}} \frac{\partial h_{t}}{\partial \gamma}-\frac{1}{h_{t}} \frac{\partial h_{t}}{\partial \gamma}\right.}{\partial \boldsymbol{\gamma}}-\frac{1}{h_{t}} \frac{\partial\left(y_{t}-\boldsymbol{x}_{t}^{\prime} \boldsymbol{\beta}\right)^{2}}{\partial \gamma}) \\ &=\frac{1}{2} \sum_{t=1}^{T}\left(\frac{u_{t}^{2}-h_{t}}{h_{t}^{2}} \frac{\partial h_{t}}{\partial \gamma}-\frac{1}{h_{t}} \frac{\partial\left(y_{t}-\boldsymbol{x}_{t}^{\prime} \boldsymbol{\beta}\right)^{2}}{\partial \gamma}\right) \end{aligned} ∂γ∂logL(γ)=−21t=1∑T∂γ∂loght−21t=1∑T[ht1∂γ∂(yt−xt′β)2−ht2(yt−xt′β)2∂γ∂ht]=21t=1∑T(−ht1∂γ∂ht−ht1∂γ∂(yt−xt′β)2+ht2ut2∂γ∂ht)=21t=1∑T(ht2ut2∂γ∂ht−ht1∂γ∂ht∂γ−ht1∂γ∂(yt−xt′β)2)=21t=1∑T(ht2ut2−ht∂γ∂ht−ht1∂γ∂(yt−xt′β)2)
整理得
∂ log L ( γ ) ∂ γ = 1 2 ∑ t = 1 T { u t 2 − h t h t 2 [ − 2 ∑ j = 1 q α j x t − j u t − j 1 u t − 1 2 ⋮ u t − q 2 ] − 1 h t [ − 2 x t u t 0 ] } \frac{\partial \log L(\gamma)}{\partial \gamma}=\frac{1}{2} \sum_{t=1}^{T}\left\{\frac{u_{t}^{2}-h_{t}}{h_{t}^{2}}\left[\begin{array}{c} -2 \sum_{j=1}^{q} \alpha_{j} \mathbf{x}_{t-j} u_{t-j} \\ 1 \\ u_{t-1}^{2} \\ \vdots \\ u_{t-q}^{2} \end{array}\right]-\frac{1}{h_{t}}\left[\begin{array}{c} -2 x_{t} u_{t} \\ 0 \end{array}\right]\right\} ∂γ∂logL(γ)=21t=1∑T⎩ ⎨ ⎧ht2ut2−ht −2∑j=1qαjxt−jut−j1ut−12⋮ut−q2 −ht1[−2xtut0]⎭ ⎬ ⎫
在上式为0的条件下求出 γ ^ \hat \gamma γ^即为极大似然估计量,具有一致性。
1.4 ARCH模型检验
-
先检验均值方程的变量是否平稳(单位根检验系列)
-
ARCH过程存在性检验(LM检验,F检验,LR检验,Q检验)
LM检验
建立原假设:
H
0
:
α
i
=
0
(
i
=
1
,
2
…
q
)
H
1
:
α
i
不全为
0
\begin{aligned} &H_0:\alpha_i = 0(i =1,2\dots q)\\ &H_1:\alpha_i不全为0 \end{aligned}
H0:αi=0(i=1,2…q)H1:αi不全为0
估计均值方程
y
t
=
x
t
′
β
+
ε
t
y_{t}=\boldsymbol{x}_{t}^{\prime} \boldsymbol{\beta}+\varepsilon_{t}
yt=xt′β+εt,得到估计值
ε
^
t
\hat \varepsilon_t
ε^t,并计算
ε
^
t
2
\hat {\varepsilon}_t^2
ε^t2,构造辅助回归
ε
^
t
2
=
α
0
+
α
1
ε
^
t
−
1
2
+
α
2
ε
^
t
−
2
2
+
…
+
α
q
ε
^
t
−
q
2
+
v
t
\hat{\varepsilon}_{t}^{2}=\alpha_{0}+\alpha_{1} \hat{\varepsilon}_{t-1}^{2}+\alpha_{2} \hat{\varepsilon}_{t-2}^{2}+\ldots+\alpha_{q} \hat{\varepsilon}_{t-q}^{2}+v_{t}
ε^t2=α0+α1ε^t−12+α2ε^t−22+…+αqε^t−q2+vt
得到可决系数
R
2
R^2
R2,构造LM统计量
L
M
=
T
R
2
∼
χ
2
(
q
)
LM = TR^2 \sim \chi^2(q)
LM=TR2∼χ2(q)。若
L
M
>
χ
α
2
(
q
)
LM>\chi^2_\alpha(q)
LM>χα2(q),则拒绝原假设,存在ARCH效应。
F检验
建立原假设:
H
0
:
α
i
=
0
(
i
=
1
,
2
…
q
)
H
1
:
α
i
不全为
0
\begin{aligned} &H_0:\alpha_i = 0(i =1,2\dots q)\\ &H_1:\alpha_i不全为0 \end{aligned}
H0:αi=0(i=1,2…q)H1:αi不全为0
估计均值方程
y
t
=
x
t
′
β
+
ε
t
y_{t}=\boldsymbol{x}_{t}^{\prime} \boldsymbol{\beta}+\varepsilon_{t}
yt=xt′β+εt,得到估计值
ε
^
t
\hat \varepsilon_t
ε^t,并计算
ε
^
t
2
\hat {\varepsilon}_t^2
ε^t2,构造两个辅助回归
ε
^
t
2
=
α
0
+
v
t
ε
^
t
2
=
α
0
+
α
1
ε
^
t
−
1
2
+
α
2
ε
^
t
−
2
2
+
…
+
α
q
ε
^
t
−
q
2
+
v
t
\begin{array}{l} \hat{\varepsilon}_{t}^{2}=\alpha_{0}+v_{t} \\ \hat{\varepsilon}_{t}^{2}=\alpha_{0}+\alpha_{1} \hat{\varepsilon}_{t-1}^{2}+\alpha_{2} \hat{\varepsilon}_{t-2}^{2}+\ldots+\alpha_{q} \hat{\varepsilon}_{t-q}^{2}+v_{t} \end{array}
ε^t2=α0+vtε^t2=α0+α1ε^t−12+α2ε^t−22+…+αqε^t−q2+vt
第一个辅助回归为约束回归,即
H
0
H_0
H0,第二个为无约束回归即
H
1
H_1
H1,利用有约束的检验方法构建F统计量
F
=
(
SSE
r
−
S
S
E
u
)
/
q
SSE
u
/
(
T
−
q
−
1
)
∼
F
(
q
,
T
−
q
−
1
)
\boldsymbol{F}=\frac{\left(\operatorname{SSE}_{r}-S S E_{u}\right) / q}{\operatorname{SSE}_{u} /(T-q-1)} \sim \boldsymbol{F}(\boldsymbol{q}, \boldsymbol{T}-\boldsymbol{q} \mathbf{- 1})
F=SSEu/(T−q−1)(SSEr−SSEu)/q∼F(q,T−q−1)
若
F
F
F<
F
α
(
q
,
T
−
q
−
1
)
F_{\alpha}(q, T-q-1)
Fα(q,T−q−1)则不拒绝原假设,反之拒绝。
LR检验
与F检验类似,先构建有约束与无约束的辅助回归,分别利用极大似然估计法得到有约束与无约束的极大似然函数最大值
L
o
g
L
r
LogL_r
LogLr与
L
o
g
L
u
LogL_u
LogLu,构建LR统计量
L
R
=
−
2
(
log
L
r
−
log
L
u
)
∼
χ
2
(
m
)
L R=-2\left(\log L_{r}-\log L_{u}\right) \sim \chi^{2}(m)
LR=−2(logLr−logLu)∼χ2(m)
若
L
R
<
χ
2
α
(
m
)
L R<\chi^{2}{ }_{\alpha}(m)
LR<χ2α(m)不拒绝原假设,反之拒绝。
Q检验:对均值方程的残差平方(即扰动项方差)进行自相关检验,若存在自相关意味着存在ARCH。
2 GARCH模型
在ARCH模型中由于ARCH方程是关于扰动项平方的分布滞后模型,为避免扰动项平方滞后过多(样本容量损失),可以引入扰动项方差的滞后项。例如
σ
t
2
=
α
0
+
α
1
ε
t
−
1
2
+
λ
1
σ
t
−
1
2
(4)
\sigma_{t}^{2}=\alpha_{0}+\alpha_{1} \varepsilon_{t-1}^{2}+\lambda_{1} \sigma_{t-1}^{2}\tag{4}
σt2=α0+α1εt−12+λ1σt−12(4)
此模型称为广义自回归条件异方差模型,记作GARCH(1,1)。其中
ε
t
−
1
\varepsilon_{t-1}
εt−1为ARCH项,
σ
t
−
1
2
\sigma_{t-1}^2
σt−12为GARCH项。
σ
t
2
\sigma_t^2
σt2为
ε
t
\varepsilon_t
εt的条件方差。显然
α
0
>
0
,
α
1
≥
0
,
λ
1
≥
0
\alpha_{0}>0, \alpha_{1} \geq 0, \lambda_{1} \geq 0
α0>0,α1≥0,λ1≥0
若
λ
1
∈
[
0
,
1
)
\lambda_1 \in[0,1)
λ1∈[0,1)则方程(4)可以改写为
(
1
−
λ
1
L
)
σ
t
2
=
α
0
+
α
1
u
t
−
1
2
σ
t
2
=
α
0
1
−
λ
1
+
α
1
1
−
λ
1
L
u
t
−
1
2
=
α
0
1
−
λ
1
+
(
α
1
+
α
1
λ
1
L
+
α
1
λ
1
2
L
2
+
α
1
λ
1
3
L
3
+
…
)
u
t
−
1
2
\begin{array}{l} \left(1-\lambda_{1} L\right) \sigma_{t}^{2}=\alpha_{0}+\alpha_{1} u_{t-1}^{2} \\ \\ \sigma_{t}^{2}=\frac{\alpha_{0}}{1-\lambda_{1}}+\frac{\alpha_{1}}{1-\lambda_{1} L} u_{t-1}^{2} \\ \\ \quad=\frac{\alpha_{0}}{1-\lambda_{1}}+\left(\alpha_{1}+\alpha_{1} \lambda_{1} L+\alpha_{1} \lambda_{1}^{2} L^{2}+\alpha_{1} \lambda_{1}^{3} L^{3}+\ldots\right) u_{t-1}^{2} \end{array}
(1−λ1L)σt2=α0+α1ut−12σt2=1−λ1α0+1−λ1Lα1ut−12=1−λ1α0+(α1+α1λ1L+α1λ12L2+α1λ13L3+…)ut−12
其中
L
L
L为滞后算子。由此看出,GARCH模型是ARCH模型的无限阶滞后。
2.1 GARCH定义
GARCH模型包含
q
q
q个ARCH项与
p
p
p个GARCH项,即GARCH(p,q),
σ
t
2
=
α
0
+
λ
1
σ
t
−
1
2
+
…
+
λ
p
σ
t
−
p
2
+
α
1
u
t
−
1
2
+
…
+
α
q
u
t
−
q
2
\sigma_{t}^{2}=\alpha_{0}+\lambda_{1} \sigma_{t-1}^{2}+\ldots+\lambda_{p} \sigma_{t-p}^{2}+\alpha_{1} u_{t-1}^{2}+\ldots+\alpha_{q} u_{t-q}^{2}
σt2=α0+λ1σt−12+…+λpσt−p2+α1ut−12+…+αqut−q2
其中参数
{
α
0
>
0
α
i
≥
0
,
i
=
1
,
2
,
…
q
λ
i
≥
0
,
i
=
1
,
2
,
…
p
0
≤
(
∑
i
=
1
q
α
i
+
∑
i
=
1
p
λ
i
)
<
1
\left\{\begin{array}{l} \alpha_{0}>0 \\ \alpha_{i} \geq 0, i=1,2, \ldots q \\ \lambda_{i} \geq 0, i=1,2, \ldots p \\ 0 \leq\left(\sum_{i=1}^{q} \alpha_{i}+\sum_{i=1}^{p} \lambda_{i}\right)<1 \end{array}\right.
⎩
⎨
⎧α0>0αi≥0,i=1,2,…qλi≥0,i=1,2,…p0≤(∑i=1qαi+∑i=1pλi)<1
2.2 GARCH性质
GARCH模型的均值方程的被解释变量的条件期望与方差
{
E
{
y
t
∣
x
t
}
=
x
t
β
Var
{
y
t
∣
x
t
}
=
σ
t
2
\left\{\begin{array}{l} \mathbf{E}\left\{y_{t} \mid x_{t}\right\}=x_{t} \beta \\ \operatorname{Var}\left\{y_{t} \mid x_{t}\right\}=\sigma_{t}^{2} \end{array}\right.
{E{yt∣xt}=xtβVar{yt∣xt}=σt2
当然,也可以对GARCH方程求期望,并令
t
→
∞
t\to \infty
t→∞得到
σ
2
=
α
0
1
−
∑
i
=
1
q
α
i
−
∑
i
=
1
p
λ
i
\sigma^{2}=\frac{\alpha_{0}}{1-\sum_{i=1}^{q} \alpha_{i}-\sum_{i=1}^{p} \lambda_{i}}
σ2=1−∑i=1qαi−∑i=1pλiα0
要保证
σ
2
\sigma^2
σ2非负,需要保证
0
≤
(
∑
i
=
1
q
α
i
+
∑
i
=
1
p
λ
i
)
<
1
0 \leq\left(\sum_{i=1}^{q} \alpha_{i}+\sum_{i=1}^{p} \lambda_{i}\right)<1
0≤(∑i=1qαi+∑i=1pλi)<1。在现实建模过程中。GARCH(1,1)与GARCH(2,1)足可以对自回归异方差进行描述。
3 I-GARCH模型
在GARCH模型中,
σ
t
2
=
α
0
+
α
1
ε
t
−
1
2
+
⋯
+
α
q
ε
t
−
q
2
+
β
1
σ
t
−
1
2
+
⋯
+
β
p
σ
t
−
p
2
\sigma_{t}^{2}=\alpha_{0}+\alpha_{1} \varepsilon_{t-1}^{2}+\cdots+\alpha_{q} \varepsilon_{t-q}^{2}+\beta_{1} \sigma_{t-1}^{2}+\cdots+\beta_{p} \sigma_{t-p}^{2}
σt2=α0+α1εt−12+⋯+αqεt−q2+β1σt−12+⋯+βpσt−p2
可能在估计过程中并不能保证
∑
i
=
1
q
α
i
+
∑
i
=
1
p
β
i
<
1
\sum_{i=1}^{q} \alpha_{i}+\sum_{i=1}^{p} \beta_{i}<1
i=1∑qαi+i=1∑pβi<1
而是出现
∑
i
=
1
q
α
i
+
∑
i
=
1
p
β
i
>
1
\sum_{i=1}^{q} \alpha_{i}+\sum_{i=1}^{p} \beta_{i}>1
i=1∑qαi+i=1∑pβi>1
的情形。此时扰动项产生的冲击将是永久的。因此I-GARCH模型在GARCH模型的基础上加入限制条件
∑
i
=
1
q
α
i
+
∑
i
=
1
p
λ
i
=
1
\sum_{i=1}^{q} \alpha_{i}+\sum_{i=1}^{p} \lambda_{i} =1
i=1∑qαi+i=1∑pλi=1
以保证平稳性,此时将GARCH模型记作I-GARCH(p,q),
σ
t
2
=
α
0
+
∑
i
=
1
p
α
i
ϵ
t
−
i
2
+
∑
i
=
1
q
β
i
σ
t
−
i
2
\sigma_{t}^{2}=\alpha_{0}+\sum_{i=1}^{p} \alpha_{i} \epsilon_{t-i}^{2}+\sum_{i=1}^{q} \beta_{i} \sigma_{t-i}^{2}
σt2=α0+i=1∑pαiϵt−i2+i=1∑qβiσt−i2
限制条件
∑
i
=
1
p
α
i
+
∑
i
=
1
q
β
i
=
1
\sum_{i=1}^{p} \alpha_{i}+\sum_{i=1}^{q} \beta_{i}=1
∑i=1pαi+∑i=1qβi=1
4 M-ARCH模型
定义:将ARCH模型(包括扩展类)的均值方程引入方差作为解释变量,即
{
y
t
=
x
t
′
β
+
ϕ
σ
t
2
+
ε
t
σ
t
2
=
α
0
+
α
1
ε
t
−
1
2
+
⋯
+
α
p
ε
t
−
p
2
\left\{\begin{array}{l} \boldsymbol{y}_{t}=x_{t}^{\prime} \beta+\phi \sqrt{\sigma_{t}^{2}}+\varepsilon_{t}\\ \sigma_{t}^{2}=\alpha_{0}+\alpha_{1} \varepsilon_{t-1}^{2}+\cdots+\alpha_{p} \varepsilon_{t-p}^{2} \end{array}\right.
{yt=xt′β+ϕσt2+εtσt2=α0+α1εt−12+⋯+αpεt−p2
称为M-ARCH§。当然,也可将GARCH模型均值方程引入方差,得到M-GARCH(p,q),将IGARCH模型方差方程引入方差,得到M-IGARCH(p,q)模型
5 T-GARCH模型
T-GARCH模型又称门限GARCH模型,Glosten, Jagannathan and Runkle (1993)提出了非对称(asymmetric)的“门限GARCH”模型(Threshold GARCH,简记TARCH)。门限GARCH模型根据扰动项的正负在方差方程加入门槛变量,即
σ
t
2
=
α
0
+
α
1
ε
t
−
1
2
+
λ
1
ε
t
−
1
2
⋅
1
(
ε
t
−
1
>
0
)
⏟
tarch
+
β
1
σ
t
−
1
2
\sigma_{t}^{2}=\alpha_{0}+\alpha_{1} \varepsilon_{t-1}^{2}+\lambda_{1} \underbrace{\varepsilon_{t-1}^{2} \cdot 1\left(\varepsilon_{t-1}>0\right)}_{\text {tarch }}+\beta_{1} \sigma_{t-1}^{2}
σt2=α0+α1εt−12+λ1tarch
εt−12⋅1(εt−1>0)+β1σt−12
其中
l
(
ε
t
−
1
>
0
)
\mathbf{l}(\varepsilon_{t-1}>0)
l(εt−1>0)为示性函数,满足括号里的记作1,反之为0。
ε
t
−
1
>
0
\varepsilon_{t-1}>0
εt−1>0表示利好消息,
ε
t
−
1
<
0
\varepsilon_{t-1}<0
εt−1<0为利差消息。显然利好与离差的对条件方差的影响是不对称的。
- 利好消息时,扰动项的平方对条件方差的影响为 λ 1 + α 1 \lambda_1+\alpha_1 λ1+α1
- 利差消息时,扰动项的平方对条件方差的影响为 α 1 \alpha_1 α1
- 当 λ 1 = 0 \lambda_1 =0 λ1=0时,即不存在门槛效应,此时利好与利差的影响是对称的
- 当 λ 1 ≠ 0 \lambda_1 \ne 0 λ1=0时,条件方差对冲击的反应是非对称的,称这种现象为“杠杆作用”
更一般的TGARCH模型可以记作
σ
t
2
=
α
0
+
∑
i
=
1
q
α
i
ε
t
−
i
2
+
λ
1
ε
t
−
1
2
⋅
1
(
ε
t
−
1
>
0
)
+
∑
j
=
1
p
β
j
σ
t
−
j
2
\sigma_{t}^{2}=\alpha_{0}+\sum_{i=1}^{q} \alpha_{i} \varepsilon_{t-i}^{2}+\lambda_1 \varepsilon_{t-1}^2 \cdot 1\left(\varepsilon_{t-1}>0\right) +\sum_{j=1}^{p} \beta_{j} \sigma_{t-j}^{2}
σt2=α0+i=1∑qαiεt−i2+λ1εt−12⋅1(εt−1>0)+j=1∑pβjσt−j2
6 E-GARCH模型
标准的GARCH模型存在参数限制,因此可以考虑对数形式的条件方差方程,即E-GARCH模型:
ln
σ
t
2
=
α
0
+
α
1
(
ε
t
−
1
/
σ
t
−
1
)
⏟
earch
+
λ
1
∣
ε
t
−
1
/
σ
t
−
1
∣
⏟
earch
−
a
+
β
1
ln
σ
t
−
1
2
⏟
egarch
\ln \sigma_{t}^{2}=\alpha_{0}+\alpha_{1} \underbrace{\left(\varepsilon_{t-1} / \sigma_{t-1}\right)}_{\text {earch }}+\lambda_{1} \underbrace{|\varepsilon_{t-1} / \sigma_{t-1}|}_{\text {earch }_{-} a}+\beta_{1} \underbrace{\ln \sigma_{t-1}^{2}}_{\text {egarch }}
lnσt2=α0+α1earch
(εt−1/σt−1)+λ1earch −a
∣εt−1/σt−1∣+β1egarch
lnσt−12
其中
(
ε
t
−
1
/
σ
t
−
1
)
\left(\varepsilon_{t-1} / \sigma_{t-1}\right)
(εt−1/σt−1)表示
ε
t
−
1
\varepsilon_{t-1}
εt−1的标准化,表示非对称效应。
∣
ε
t
−
1
/
σ
t
−
1
∣
|\varepsilon_{t-1} / \sigma_{t-1}|
∣εt−1/σt−1∣表示对称效应。
l
n
σ
t
−
1
2
ln \sigma^2_{t-1}
lnσt−12为EGARCH项。无论
l
n
σ
t
−
1
2
ln \sigma^2_{t-1}
lnσt−12取何值,都有
σ
t
2
=
exp
(
ln
σ
t
2
)
>
0
\sigma_{t}^{2}=\exp \left(\ln \sigma_{t}^{2}\right)>0
σt2=exp(lnσt2)>0,故称作“指数GARCH”模型
7 ABS-GARCH模型
为了保证方差为正,还可以引入绝对值,即
σ
t
2
=
α
0
+
∑
i
=
1
q
α
i
∣
ε
t
−
i
∣
+
∑
j
=
1
p
λ
j
σ
2
t
−
j
\sigma_{t}^{2}=\alpha_{0}+\sum_{i=1}^{q} \alpha_{i}\left|\boldsymbol{\varepsilon}_{t-i}\right|+\sum_{j=1}^{p} \lambda_{j} \sigma^{2}{ }_{t-j}
σt2=α0+i=1∑qαi∣εt−i∣+j=1∑pλjσ2t−j
与GARCH模型比较,上述模型用
∣
ε
t
−
i
∣
|\varepsilon_{t-i}|
∣εt−i∣代替了
ε
t
−
i
2
\varepsilon_{t-i}^2
εt−i2,采用绝对值形式缩小了
ε
t
2
\varepsilon_t^2
εt2的幅度。当然也可将ABS-GARCH模型写作
σ
t
=
α
0
+
∑
i
=
1
q
α
i
∣
ε
t
−
i
∣
+
∑
j
=
1
p
λ
j
σ
t
−
j
\sigma_{t}=\alpha_{0}+\sum_{i=1}^{q} \alpha_{i}\left|\varepsilon_{t-i}\right|+\sum_{j=1}^{p} \lambda_{j} \sigma_{t-j}
σt=α0+i=1∑qαi∣εt−i∣+j=1∑pλjσt−j
8 P-GARCH模型
考虑冲击的非对称性,还可以用P-garch模型来刻画,即
σ
t
k
=
α
0
+
∑
j
=
1
q
β
j
σ
t
−
j
k
+
∑
i
=
1
p
α
i
(
∣
ε
t
−
i
∣
−
γ
i
ε
t
−
i
)
k
\sigma_{t}^{k}=\alpha_{0}+\sum_{j=1}^{q} \beta_{j} \sigma_{t-j}^{k}+\sum_{i=1}^{p} \alpha_{i}\left(\left|\varepsilon_{t-i}\right|-\gamma_{i} \varepsilon_{t-i}\right)^{k}
σtk=α0+j=1∑qβjσt−jk+i=1∑pαi(∣εt−i∣−γiεt−i)k
其中
k
>
0
k>0
k>0,
∣
γ
i
∣
≤
1
(
i
=
1
,
2
,
…
r
)
|\gamma_i|\le1(i =1,2,\dots r)
∣γi∣≤1(i=1,2,…r)
9 ARMA-GARCH模型
设线性模型为
y
t
=
x
t
′
β
+
u
t
y_{t}=\boldsymbol{x}_{t}^{\prime} \boldsymbol{\beta}+u_{t}
yt=xt′β+ut
其中扰动项服从ARMA(p,q)过程,即
u
t
=
∑
i
=
1
p
ρ
i
u
t
−
i
+
∑
j
=
1
q
θ
j
ε
t
−
j
+
ε
t
u_{t}=\sum_{i=1}^{p} \rho_{i} u_{t-i}+\sum_{j=1}^{q} \theta_{j} \varepsilon_{t-j}+\varepsilon_{t}
ut=i=1∑pρiut−i+j=1∑qθjεt−j+εt
其中
ε
\varepsilon
ε为ARCH或GARCH模型的扰动项,代入方程
y
t
=
x
t
′
β
+
∑
i
=
1
p
ρ
i
(
y
t
−
i
−
x
t
−
i
′
β
)
+
∑
j
=
1
q
θ
j
ε
t
−
j
+
ε
t
y_{t}=\boldsymbol{x}_{t}^{\prime} \boldsymbol{\beta}+\sum_{i=1}^{p} \rho_{i}\left(y_{t-i}-\boldsymbol{x}_{t-i}^{\prime} \boldsymbol{\beta}\right)+\sum_{j=1}^{q} \theta_{j} \varepsilon_{t-j}+\varepsilon_{t}
yt=xt′β+i=1∑pρi(yt−i−xt−i′β)+j=1∑qθjεt−j+εt
10 其他GARCH模型
ARCH模型的扩展形式非常丰富(还有LM-GARCH,FI-GARCH,FIE-GARCH等),以均值方程的设定形式又分为线性与非线性类型。总之,ARCH模型及其扩展的选择应从研究目的来做出选择。
参考文献
陈强. 高级计量经济学及Stata应用[M].高等教育出版社,2014