条件异方差模型
第三节 自回归条件异方差(ARCH)模型
金融时间序列数据通常表现出一种所谓的集群波动现象。模型随机误差项中同时含有自相关和异方差。
一、ARCH 模型 (Auto-regressive Conditional Heteroskedastic —自回归条件异方差模型)
对于回归模型
y t =b 0+b 1x 1t + +b k x kt +εt (3.3.1) 若εt 服从AR (q )过程 2
εt =α0+αε
2
t 221t -1+ +αq εt -q +νt (3.3.2) t 2其中νt 独立同分布,并满足E (ν) =0 , D (ν) =σ
则称(3.3.2)式为ARCH 模型,序列εt 服从q 阶ARCH 过程,记为εt ~ARCH (q )。
(3.3.1)和(3.3.2)称为回归—ARCH 模型。
2D (ε) =σ注:不同时点εt 的方差t t 是不同
的。
对于AR (p )模型
y t =φ1y t -1+ +φp y t -p +εt (3.3.3) 如果εt ~ARCH (q ),则(3.3.3)与(3.3.2)
结合称为AR (p )-ARCH (q )模型。 ARCH (q )模型还可以表示为
εt =
h t =α0+αεh t *νt (3.3.4) 2
1t -1+ +αq εt -q =α0+∑αj εt -j 2q 2α=1
(3.3.5)
其中,νt 独立同分布,且
E (νt ) =0, D (νt ) =1, α0>0 αj ≥0(j =1, 2 q ) 且∑α
j =1q j
有时,(3.3.5)式等号右边还可以包括外生变量,但要注意应保证h t 值是非负的。如:
22h =α+αε+ +αε t 01t -1q t -q +θ1h t -1+ +θp h t -p
αi +∑θj
对于任意时刻t ,条件期望
E (εt |εt -1, )=t *E (νt ) =0 (3.3.6)
条件方差
E (σt 2|εt -12, ) =h t *E (νt 2) =h t (3.3.7)
(3.3.7)式反映了序列条件方差随时间而变化。
ARCH模型通常用于对于主体模型(3.3.1)或(3.3.3)的随机误差项ε进行建模,以充分提取其中的有用信息,使最终的模型残差项v 成为白噪声。
二、ARCH 效应检验—拉格朗日乘数(LM )检验法
若模型εt ~ARCH (q ),则可建立辅助回归方程 t t
h t =α0+αe
(3.3.8) 21t -1+ +αq e t -q 2
H 0:α1=α2= =αq =0 H 1:αj 至少有一个不为0
(j =1, 2 q )
检验统计量
LM =nR ~χ(q ) (3.3.9)
2R n 、分别为辅助方程(3.3.8)的样本数22据个数和判定系数。利用OLS 法对(3.3.8)式估计,判别:
2LM >χ若LM α(q ) ,或伴随的概率p 〈α,拒绝H 0,序列存在ARCH 效应;
若LM ≤χα2(q ) ,或伴随的概率p 〉α,接受H ,序列不存在ARCH 效应。 注意:在作ARCH 检验以前,应先利用0OLS 法估计主体回归模型并判断其是否存在自相关性(利用偏自相关的检验法),以确立辅助方程中的q ,若模型存在自相关性,再进一步对残差序列进行ARCH 检验。 EVIEWS 实现:
菜单方式:
(1)在方程窗口选择 Views/Residual Tests/ARCH LM Test,输入检验阶数q (系统默认为1),点击OK 。
(2)在方程窗口 点击
Views/Residual Test/Correlagram
Squared Residuals, 屏幕输出e 与e ...... e 自相关系数和偏自相关系数,利用偏自相关系数大致判断ARCH 效应。 命令方式:archtest(q)
三、ARCH 模型参数的估计——极大似然估计法
对于回归—ARCH 模型((3.3.1)、(3.3.4)、(3.3.5))参数估计的对数似然函数为 22t t -12t -q
11n 1n 2ln(h t ) -∑(εt /h t ) ln L (b , α/y , x ) =-2n ln(2π) -2∑2t =1t =1
使该函数达最大值得参数b , α,就是参数b , α的极大似然估计。
EVIEWS 实现:选择Quick/Estimate Equation 在方程对话框中打 Method下拉菜单,点击ARCH 项进入自回归异方差对话框。在此对话框窗口中输入主体模型(y 关于解释变量的模型(3.3.1))或ARMA 模型。
在 ARCH specification 下定义 ARCH 模型的阶数q ,以及GARCH 后的阶数p (此时输入0),其它采用系统默认t
值,点击OK 即可。
若采用命令方式,仅键入如下命令即可
arch
在输出窗口的方差方程中,C 表示α0,ARCH (i ) 表示系数αi
对于建立的ARCH 模型尚需再次进行自相关检验。即在模型估计结果输出窗口选择view/Residual Tests/Corelogram-Q-Statistics,给出滞后阶数,点击OK 。
四、GARCH 模型——广义(Generalized )自回归条件异方差模型
如果ARCH 模型中的 q值很大(q>=7时)时,可考虑采用GARCH 模型。
1. 基本形式
若序列可以表示为
εt =h t *v t
h t =α0+α1ε
(3.3.10) 2t -1+ +αq ε2t -q +θ1h t -1+ +θp h t -p
同前,则称序列ε服从GARCH (p,q )过程。其中p ≥0,q ≥0, α>0, α≥0, θ≥0, 为保证GARCH (p,q )是宽平稳的,要求∑α+∑θ
q p
j i
j =1i =1
通常GARCH 模型中的阶数q 值远比ARCH 模型中的q 值小。一般地,GARCH (1,1)模型即可描述大量的金融时间序列数据。
2.GARCH (p,q )检验
对于辅助回归方程
h t =α0+αε+ +αε
21t -12q t -q +θ1h t -1+ +θp h t -p
H 0:θ1=θ2= =θP =0
22R ~χ(P ) ,n LM=n为辅助方程的样本
0容量。 当 n R >χ(P ) 或p 〈α 拒绝H ,则存在
GARCH 效应;
n R ≤χ(P ) 或概率p 〉α 接受H ,则不存在22α22α0
GARCH 效应。
3. 估计模型
Eviews 中采用二步极大似然估计法或广义最小二乘法GLS 估计GARCH 模型参数。
Eviews 实现:选择Quick/Estimate Eqution, 进入对话框后,在ARCH 、GARCH 后输入值q,p 值(一般都输入1),其他同前。根据AIC 及SC 准则,并配合残差独立性检验,通过比较可以得到较适宜的模型。
五、其他条件异方差模型
1.ARCH-M 模型(ARCH-in-Mean )
y t =b 0+b 1x 1t +⋯⋯+b k x kt +rh t +εt
εt =h v t t
h t =α0+∑αj εt 2-j
j =1q
p 称为ARCH-M(q)模型 若 h =α+∑αε+∑θh q
t o 2j t -j i t -i
j =1i =1
称为GARCH-M (p ,q )
Eviews 中建立(G )ARCH 模型的方法与一般GARCH (p ,q )的建模过程相同,只需将条件方差h 或标准差纳入主体回归或其他形式的方程。操作时,只需将条件异方差定义对话框中ARCH-M 进行相应选择:None-表示在回归模型中不加入h , std.dev-表示加入,variance-加入h ,在结果输出窗口中,SQR (GARCH )后的系数是或h 系数的估计值。
2.TARCH 模型
TARCH (Threshold ARCH)模型最先由Zakdiam(1990年) 提出,其条件方差为
q 22αε∑j t -j t -1t -1=α+t t t t t t h +ϕεd
其它t 0j =1+∑θi h t -i i =1ε{d 是一个名义变量 d = i t p 10
用Eviews 估计TARCH 模型时,对条件异方差定义对话框中,在ARCH specification 中点TARCH 项即可。输出结果中的(RESID
3.EGARCH 模型
Exponential-GARCH 指的GARCH 模型。由Nelson 与1991年提出。条件方差
εq +ψ) +∑θlog(h ) log(h ) =α+∑(αh h q t -j t -j p
t 0j j i t -i
j =1t -j t -j i =1
模型中条件方差采用了自然对数形式,意味着在非负且杠杆效应是指数型的。若ψ≠0,说明信息作用非对称。ψ
另外还有成分(Component )ARCH 模型、多变量ARCH 模型,详见易丹辉Eviews 与数据分析。
j j i