GARCH 模型与应用简介
(2006, 5)
0. 前言……………………………………………..2
1. GARCH 模型………………………………………….7
2. 模型的参数估计………………………………………16
3. 模型检验………………………………………………27
4. 模型的应用……………………………………………32
5. 实例……………………………….……………………42
6. 某些新进展……………………….…………………...46
参考文献……………………………………………….50
1
0. 前言 (随机序列的条件均值与条件方差简介)
考察严平稳随机序列{yt}, 且 Eyt<. 记其均值 Eyt=,
协方差函数k=E{(yt-)(yt+k-)}. 其条件期望(或条件均值):
(0.1)
E(ytyt-1,yt-2,…)(yt-1,yt-2,…),
依条件期望的性质有
E(yt-1,yt-2,…)=E{E(ytyt-1,yt-2,…)}= Eyt =.
(0.2)
记误差(或残差):
et yt -(yt-1,yt-2,…).
(0.3)
由(0.1)(0.2)式必有:
Eet=Eyt-E(yt-1,yt-2,…)
=Eyt-Eyt=0,
(0-均值性)
(0.4)
及
Eet2=E[yt -(yt-1,yt-2,…)]2
=E{(yt-)-[(yt-1,yt-2,…)-]}2
=E(yt-)2+E[(yt-1,yt-2,…)-]2
(中心化)
-2E(yt-)[(yt-1,yt-2,…)-]
=0+Var{(yt-1,yt-2,…)}
-2EE{(yt-)[(yt-1,yt-2,…)-]yt-1,yt-2,…}
( 根据 Ex=E{E[xyt-1,yt-2,…]} )
=0+Var{(yt-1,yt-2,…)}
-2E{[(yt-1,yt-2,…)-]E[(yt-)yt-1,yt-2,…]}
2
( 再用 E[x( yt-1,yt-2,…)yt-1,yt-2,…]
=( yt-1,yt-2,…) E[xyt-1,yt-2,…];
并取 x= (yt-), ( yt-1,yt-2,…)=[(yt-1,yt-2,…)-];
由(0.1)(0.2)可得 )
=0+Var{(yt-1,yt-2,…)}-2E[(yt-1,yt-2,…)-]2
=0-Var{(yt-1,yt-2,…)}.
(0.5)
即有:
0=Var(yt)=Var((yt-1,yt-2,…))+Var(et).
(0.6)
此 式 表 明 , yt 的 方 差 (= 0) 可 表 示 为 : 回 归 函 数 的 方 差
(Var((yt-1,yt-2,…)), 与残差的方差(Var(et))之和.
下边讨论 et 的条件均值与条件方差.
为了符号简便, 以下记 Ft-1={yt-1,yt-2,…}.
首先考虑 et 的条件均值:
E(etFt-1)=E{yt-( yt-1,yt-2,…) Ft-1}
=E(yt Ft-1)- E{( yt-1,yt-2,…) Ft-1}
= ( yt-1,yt-2,…)- ( yt-1,yt-2,…)
=0.
(0.7)
再看条件方差:
Var(etFt-1)=E{[et- E(etFt-1)]2 Ft-1}
= E{et2 Ft-1}
S2(yt-1,yt-2,…).
(用(0.7)式)
(0.8)
3
此处 S2(yt-1,yt-2,…)为条件方差函数. 注意, et的条件均值是零,
条件方差是非负的函数 S2(yt-1,yt-2,…), 它不一定是常数!
依(0.3)式, 平稳随机序列{yt}总有如下表达式:
yt = ( yt-1,yt-2,…)+et,
(0.9)
其中(yt-1,yt-2,…)被称为自回归函数, 不一定是线性的. {et}
可称为新息序列, 与线性模型的新息序列不同, 除非{yt}是
正态序列. 顺便指出, 满足(0.4)式的{et}为鞅差序列, 因为对
它的求和是离散的鞅序列. 由于{yt}是严平稳随机序列, 且
Eyt<,上述推演是严格的, 从而{et}是严平稳的鞅差序列.
当{yt}有遍历性时, 它也是遍历的. 此处所涉及的抽象概念
可不必深究.
现在将 et 标准化, 即令
t et/S(yt-1,yt-2,…).
则有,
以及
E(tFt-1)=E[et/S(yt-1,yt-2,…)Ft-1]
={1/S(yt-1,yt-2,…)}E[etFt-1]
=0.
(依(0.7)式)
(0.10)
E(t2Ft-1)=E[et2/S2(yt-1,yt-2,…)Ft-1]
={1/S2(yt-1,yt-2,…)}E[et2Ft-1]
={S2(yt-1,yt-2,…)}/{S2(yt-1,yt-2,…)}
=1.
(a.s.)
(用(0.8))
(0.11)
4
由此可见, {t}也是平稳鞅差序列, 与{et}相比, {t}的条件方
差为常数 1. 于是(0.9)式可写为:
yt=( yt-1,yt-2,…) + S(yt-1,yt-2,…)t,
(0.12)
此式可称为条件异方差自回归模型, 所谓条件异方差就是指:
条件方差 S2(yt-1,yt-2,…)不为常数. 请注意, 条件异方差自回
归模型与下文中的自回归条件异方差模型是不同的概念!
* 还有一点很重要, 如果(0.9)模型具有可逆性, 那么,
Var(etFt-1)=Var(etyt-1,yt-2,…)
=Var(etet-1,et-2,…)
h(et-1,et-2,…).
因此, 模型(0.12)式又可些成
(0.13)
yt=( yt-1,yt-2,…) + h1/2(et-1,et-2,…)t.
(0.14)
请注意, 模型(0.12)(0.14)式是
普遍适用(或称万用)的模型 !
但是, 为便于研究建模理论, 在(0.12)式中还附加假定:
t 与{yt-1,yt-2,…}相互独立 !
此假定是实质性的, 人为的.
它对{yt}的概率分布有实质性的限制.
还须指出: 若在(0.9)式中直接假定 et 与{yt-1,yt-2,…}独立,
此假定除了上述的人为性含义外, 还增多了如下假定:
Var(et2yt-1,yt-2,…) =Var(et2)=常数.
(0.15)
5
这里用了条件期望的一条性质, 即当 X 与 Y 独立时,
E(XY)= EX.
大家要问, 为什么加这些人为的假定呢?
让我们回顾一下这些假定演变的历程吧.
在文献中(0.9)式 et 先后被假定为:
“i.i.d. 且 N(0,σ2)”,(1943--)
“i.i.d. 且 0-均值-方差有穷”,(1960--)
“鞅差序列,且条件方差 S2(...)=常数”,(1970--)
“et=S(yt-1, yt-2, … )t,但{t}为 i.i.d. N(0,σ2)序列,
而且 S(yt-1, yt-2, … )为有限参模型”,(1982--)
“et=S(yt-1, yt-2, … )t , 但{t}为 i.i.d.序列
而且 S(yt-1, yt-2, … )为有限参模型”。(2000--)
究其根源, 主要是受时间序列统计理论知识的限制.
以上专门讨论了{et}的定义, 性质, 和人为限制的历程.
但是, 这里也顺便提一下自回归函数(yt-1,yt-2,…)的发展史,
大致如下(不细论):
线性→非线性参数→半参数→非参数。
在以上的讨论中, 使用记号(yt-1,yt-2,…), 是为了突出普适性.
在文献中和实际应用中, 所考虑的(yt-1,yt-2,…)的形式很简
单. 半个多世纪来, 虽说有了很大的改进, 但是, 与最一般
的(yt-1,yt-2,…)还有很大差距.
类似的讨论也适用 S(yt-1,yt-2,…). 也是为了突出普适
6
性, 才引入了记号 S(yt-1,yt-2,…)和模型(0.12)(0.14). 在文献中
和 实 际 应 用 中 , 直 到 近 二 十 来 年 才 考 虑 了 不 为 常 数 的
S(yt-1,yt-2,…)的简单情况---ARCH 模型. 近几年来, 也在向着
半参数, 非参数方面发展. 但是, 与最一般的 S(yt-1,yt-2,…)也
还相差甚远.
1. ARCH 与 GARCH 模型
1.1. 概述
在条件异方差模型问世以前, 时间序列分析主要讨论自
回归结构, 或者说, 主要讨论(yt-1,yt-2,…)的有关内容. 当条
件异方差模型问世后, 在时间序列分析中, 特别是建模分析
中, 就包含了两个内容,一个与(yt-1,yt-2,…)有关; 另一个与
S(yt-1,yt-2,…)有关. 如何统计分析它们, 是摆在我们面前的主
要问题. 对此问题, 通常作法是: 分两步完成, 先按平稳序
列建模方法, 对(yt-1,yt-2,…)建立适当的模型, 比如 AR 模型;
由此获得弥合的残差序列, 把它当做新息序列{et}的样本值,
再对它进行条件异方差建模分析. 分两步完成有方便之处,
其一, 做第一步时, 由于{et}是鞅差序列, 其建模有理论根据.
其二, 在介绍条件异方差建模时, 可以只讨论(yt-1,yt-2,…)=0
的情况. 这并无损失, 还便于理解条件异方差概念. 其实,
还有一言, 在金融统计中, 专门考虑条件异方差建模问题,
也有一定的实际背景.
7
综上所说, 我们将专门讨论如下的鞅差平稳序列, 即,
(1.1)
(1.2)
E(ytyt-1,yt-2,…)(yt-1,yt-2,…)=0.
Var(ytyt-1,yt-2,…)S2(yt-1,yt-2,…)>0.
换句话说, 考虑如下的(0.9)模型
yt=et,
它的标准化的模型(0.12)为
yt=S(yt-1,yt-2,…)t.
(1.3)
(1.4)
请注意, 这一模型几乎含盖了所有的条件异方差模型. 我们
不可能泛泛地讨论它. 再请回看对鞅差序列{et}的限制的历
程, 以下我们要讲的恰好是:
“et=S(yt-1, yt-2, … )t,但{t}为 i.i.d. N(0,σ2)序列,
(1982--).
而且 S(yt-1, yt-2, … )为有限参模型’’,
再新的内容, 我们也将提到. 至此, 大家完全明白我们将要
讨论什么样的序列.
为说明该序列的某些特征, 先看一看序列{et}的自协方
差函数序列:
e(k)=Eet+ket= E[E(et+ketet+k-1,et+k-2,…)]
= E[etE(et+ket+k-1,et+k-2,…)]
= E{et0}=0, k1.
可见, 平稳鞅差序列也是白噪声. 根据自协方差序列做平稳
序列的建模和谱分析时, 除了判断(yt-1,yt-2,…)=0 外, 几乎
无话可说. 换句话说, 相关性分析和谱分析不能对(1.4)式的
8