第13节 GARCH估计日方差率

本文介绍了GARCH模型用于估计市场变量日方差率的原理和步骤,包括GARCH(1,1)模型的定义、参数估计以及Python实现。通过与EWMA模型的比较,展示了GARCH模型在估计效果上的优势。" 125456908,8078297,微服务注册中心对比:ZooKeeper、Eureka、Consul、Nacos全面解析,"['微服务', 'ZooKeeper', 'Eureka', 'Consul', 'Nacos']
摘要由CSDN通过智能技术生成

13 GARCH估计日方差率

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, σ n 2 \sigma_n^2 σn2是由最近的 p p p u i 2 u_i^2 ui2观察值,最近的 q q q个日方差率 σ i 2 \sigma_i^2 σi2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
σ n 2 = ω + α u n − 1 2 + β σ n − 1 2    , α + β < 1    . \sigma_n^2 = \omega+\alpha u_{n-1}^2+\beta \sigma_{n-1}^2\;, \quad \alpha +\beta < 1\; . σn2=ω+αun12+βσn12,α+β<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 λ \lambda λ,GARCH模型中有3个待定参数。将 ω \omega ω表示为 V L ( 1 − α − β ) V_L(1-\alpha-\beta) VL(1αβ)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 u_i^2 ui2, σ i 2 \sigma_i^2 σi2和长期方差 V L V_L VL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 N N天每天末的数值为 S 0 , S 1 , . . . , S N S_0, S_1, ..., S_N S0,S1,...,SN
u n = S n − S n − 1 S n − 1 ,      u 1 = S 1 − S 0 S 0 ,    u 0 = 0    . u_n = \frac{S_n-S_{n-1}}{S_{n-1}}, \; \; u_1 = \frac{S_1-S_0}{S_0}, \;u_0 = 0\;. un=Sn1SnSn1,u1=S0S1S0,u0=0.
σ n 2 = ω + α u n − 1 2 + β σ n − 1 2 ,      σ 2 2 = u 1 2 ,    σ 1 2 = σ 0 2 = 0    . \sigma_n^2 = \omega +\alpha u_{n-1}^2+\beta\sigma_{n-1}^2, \;\; \sigma_2^2 =u_1^2, \; \sigma_1^2=\sigma_0^2=0\;. σn2=ω+αun12+

  • 1
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值