第13节 GARCH估计日方差率

13 GARCH估计日方差率

• 13.1 简介
• 13.2 GARCH估计日方差率步骤
• 13.3 计算步骤Python代码实现
• 13.4 计算示例
• 13.5 参考资料

13.1 简介

        广义自回归条件异方差（Generalized Auto-Regressive Conditional Heteroscedasticity, GARCH)模型是由Bollerslev在1986年提出的一种估计市场变量日方差率的模型。对于广义的GARCH(p,q)模型，${\sigma }_n^2$是由最近的$p$个$u_i^2$观察值，最近的$q$个日方差率${\sigma }_i^2$和一个常数项组成。这里我们只考虑GARCH(1,1)模型，并简记为GARCH，其中日方差率的表示为
$${\sigma }_n^2=\omega +\alpha u_{n-1}^2+\beta {\sigma }_{n-1}^2,\alpha +\beta <1.$$
        相较于EWMA模型日方差率的更新估计只涉及一个待定参数$\lambda$，GARCH模型中有3个待定参数。将$\omega$表示为$V_L(1-\alpha -\beta )$后，我们可以看到GARCH模型对日方差率的估计实际上是用前一天的$u_i^2$,${\sigma }_i^2$和长期方差$V_L$加上不同权重后求和得出。
        考虑我们有市场变量从第0天到第$N$天每天末的数值为$S_0,S_1,...,S_N$，
$$u_n=\frac{S_n-S_{n-1}}{S_{n-1}},u_1=\frac{S_1-S_0}{S_0},u_0=0.$$
$${\sigma }_n^2=\omega +\alpha u_{n-1}^2+$$