【量化笔记】时间序列--ARCH模型及GARCH模型

理论区 同时被 2 个专栏收录
13 篇文章 0 订阅
15 篇文章 4 订阅

本文内容

  • ARCH模型
    • ARCH模型的建模过程
  • GARCH模型

金融数据的时间序列,有以下几个普遍现象

  • 一组时间序列本身可能只有非常微弱的自相关性,而这组时间序列的函数(比如平方,绝对值等)呈现很强的自相关性
  • 有些资产收益率序列的条件方差会随着时间发生改变,也就是呈现条件异方差性。
  • 资产收益率序列的波动会有持续的现象,大波动跟着大波动,小波动跟着小波动,也就是波动聚集现象。
  • 许多资产收益率序列不服从正态分布,期极端之较多,具有厚尾现象。

ARCH模型

ARCH模型认为模型的序列值波动与其过去p期的波动有关。模型表达式为:
ϵ t = σ t u t σ t 2 = α 0 + α 1 ϵ t − 1 2 + . . . + α p ϵ t − p 2 \epsilon_t=\sigma_t u_t \\\sigma_t^2=\alpha_0+\alpha_1\epsilon_{t-1}^2+...+\alpha_p\epsilon_{t-p}^2 ϵt=σtutσt2=α0+α1ϵt12+...+αpϵtp2

ARCH模型的建模过程

  1. 设定一个适合的阶数p,在检验得知时间序列确实存在ARCH效应的条件下,我们可以用 ϵ t 2 \epsilon^2_t ϵt2的偏自相关函数(PACF)来确定p。
  2. 我们假设 u t u_t ut服从以下三种分布中的一种来进行估计:标准正态分布,标准化的学生t分布和广义误差分布。然后用最大似然法对参数进行估计。
  3. 对参数进行检验,标准化残差 u t ^ = ϵ t ^ σ t ^ {\hat{u_t}=\frac{\hat{\epsilon_t}}{\hat{\sigma_t}}} ut^=σt^ϵt^是独立同分布的随机过程。因此 u t ^ \hat{u_t} ut^ u ^ t 2 \hat{u}_t^2 u^t2的Ljung-Box统计量可以分别用来检验均值方差和波动率方程的正确性。

GARCH模型

GARCH模型认为时间序列每个时间点的波动率是最近p个时间点残差平方的线性组合,与最近q个时间点变量波动率的线性组合加起来得到,模型表达式为:
ϵ t = σ t u t σ t 2 = α 0 + ∑ i = 1 p α i ϵ t − i 2 + ∑ j = 1 q β j σ t − j 2 \epsilon_t=\sigma_t u_t \\\sigma_t^2=\alpha_0+\sum_{i=1}^p \alpha_i\epsilon_{t-i}^2+\sum_{j=1}^q \beta_j\sigma_{t-j}^2 ϵt=σtutσt2=α0+i=1pαiϵti2+j=1qβjσtj2

  • 4
    点赞
  • 0
    评论
  • 52
    收藏
  • 一键三连
    一键三连
  • 扫一扫,分享海报

©️2021 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页
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、C币套餐、付费专栏及课程。

余额充值