Модель временных рядов
В эконометрике авторегрессионная условная гетероскедастичность (ARCH ) модель - это статистическая модель для данных временного ряда, которая описывает дисперсию текущего члена ошибки или нововведение как функция фактических размеров ошибок в предыдущих периодах времени; часто дисперсия связана с квадратами предыдущих нововведений. Модель ARCH подходит, когда дисперсия ошибок во временном ряду соответствует модели авторегрессии (AR); если для дисперсии ошибок используется модель авторегрессионного скользящего среднего (ARMA), то модель является обобщенной авторегрессионной условной гетероскедастичностью (GARCH ) моделью.
Модели ARCH обычно используются при моделировании финансовых временных рядов, которые демонстрируют изменяющуюся во времени волатильность и кластеризацию волатильности, т.е. периоды качели, перемежающиеся периодами относительного затишья. Модели типа ARCH иногда считаются принадлежащими к семейству моделей стохастической волатильности, хотя это строго неверно, поскольку в момент t волатильность полностью предопределена (детерминирована) с учетом предыдущих значений.
Содержание
- 1 Спецификация модели ARCH (q)
- 2 GARCH
- 2.1 Спецификация модели GARCH (p, q)
- 2.2 NGARCH
- 2.3 IGARCH
- 2.4 EGARCH
- 2,5 GARCH-M
- 2,6 QGARCH
- 2,7 GJR-GARCH
- 2,8 Модель TGARCH
- 2,9 fGARCH
- 2,10 COGARCH
- 2,11 ZD-GARCH
- 2,12 Пространственный GARCH
- 3 Ссылки
- 4 Дополнительная литература
Спецификация модели ARCH (q)
Чтобы смоделировать временной ряд с использованием процесса ARCH, пусть обозначают условия ошибки (возвращаемые остатки по отношению к среднему процессу), то есть члены ряда. Эти разделены на стохастический кусок и зависящее от времени стандартное отклонение , характеризующее типичный размер терминов, так что
Случайная величина представляет собой сильный белый шум процесс. Ряд моделируется с помощью
- ,
- где и .
Модель ARCH (q) можно оценить с помощью обычных наименьших квадратов. Методология проверки длины запаздывания ошибок ARCH с использованием теста множителя Лагранжа была предложена Энглом (1982). Эта процедура выглядит следующим образом:
- Оценить наиболее подходящую модель авторегрессии AR (q) .
- Получить квадраты ошибки и регрессируйте их на постоянные и запаздывающие значения q:
- где q - длина задержек ARCH.
- нулевая гипотеза заключается в том, что в отсутствие компонентов ARCH мы имеем для всех . Альтернативная гипотеза состоит в том, что при наличии компонентов ARCH, по крайней мере, один из оцененных коэффициентов должен быть значимым. В выборке T остатков при нулевой гипотезе об отсутствии ошибок ARCH, тестовая статистика T'R² следует распределению с q степенями свободы, где - количество уравнений в модели, которое соответствует остаткам и лагам (например, ). Если T'R² больше, чем значение таблицы хи-квадрат, мы отклоняем нулевую гипотезу и делаем вывод о наличии эффекта ARCH в модели ARMA. Если T'R² меньше значения таблицы хи-квадрат, мы не отвергаем нулевую гипотезу.
GARCH
Если предполагается модель авторегрессионного скользящего среднего (ARMA) для дисперсии ошибки модель представляет собой модель обобщенной авторегрессионной условной гетероскедастичности (GARCH).
В этом случае модель GARCH (p, q) (где p - порядок членов GARCH , а q - порядок членов ARCH ) в соответствии с обозначениями оригинальной статьи:
Как правило, при тестировании на гетероскедастичность в эконометрических моделях лучшим тестом является Тест белого. Однако при работе с данными временного ряда это означает проверку на ошибки ARCH и GARCH.
Экспоненциально взвешенное скользящее среднее (EWMA) - это альтернативная модель в отдельном классе моделей экспоненциального сглаживания. В качестве альтернативы моделированию GARCH он имеет некоторые привлекательные свойства, такие как больший вес по сравнению с недавними наблюдениями, но также и недостатки, такие как произвольный коэффициент затухания, который привносит субъективность в оценку.
Спецификация модели GARCH (p, q)
Длина задержки p процесса GARCH (p, q) устанавливается в три этапа:
- Оценить наилучшее соответствие AR (q) модель
- .
- Вычислить и построить автокорреляцию по
- Асимптотика, то есть для больших выборок, стандартное отклонение равно . Отдельные значения, превышающие это, указывают на ошибки GARCH. Чтобы оценить общее количество задержек, используйте тест Льюнга-Бокса до тех пор, пока их значение не станет менее, чем, скажем, 10% значимости. Q-статистика Льюнга-Бокса следует распределению с n степенями свободы, если квадраты остатков не коррелированы. Рекомендуется учитывать значения n до T / 4. Нулевая гипотеза утверждает, что ошибок ARCH или GARCH нет. Таким образом, отклонение нуля означает, что такие ошибки существуют в условной дисперсии.
NGARCH
NAGARCH
Nonlinear Asymmetric GARCH (1,1) (NAGARCH ) является моделью со спецификацией:
- ,
- где (1 + θ 2) + β < 1 {\displaystyle ~\alpha (1+~\theta ^{2})+~\beta <1}, что обеспечивает неотрицательность и стационарность процесса отклонения.
Для доходности акций параметр обычно считается положительным; в этом случае он отражает явление, обычно называемое «эффектом кредитного плеча», означающее, что отрицательная доходность в будущем увеличится. волатильность в большей степени, чем положительная доходность той же величины.
Эту модель не следует путать с моделью NARCH вместе с расширением NGARCH, введенным Хиггинсом и Бера в 1992 году.
IGARCH
Интегрированная обобщенная авторегрессия Условная гетероскедастичность (IGARCH) - это ограниченная версия модели GARCH, где постоянные параметры суммируются до единицы и импортируют единичный корень в процесс GARCH. Условие для этого:
.
EGARCH
Экспоненциальная обобщенная авторегрессионная условно-гетероскедастическая модель (EGARCH), разработанная Нельсоном и Цао (1991), является другой формой модели GARCH. Формально EGARCH (p, q):
где , - это условная дисперсия, , , , и - коэффициенты. может быть стандартной нормальной переменной или происходить из обобщенного распределения ошибок. Формулировка для допускает знак и величину для отдельного воздействия на волатильность. Это особенно полезно в контексте ценообразования активов.
Поскольку может быть отрицательным, знаковых ограничений для параметров нет.
GARCH-M
Модель GARCH-in-mean (GARCH-M) добавляет член гетероскедастичности в уравнение среднего. Он имеет спецификацию:
Остаточная величина определяется как:
QGARCH
Квадратичная модель GARCH (QGARCH) Sentana (1995) используется для моделирования асимметричных эффектов положительные и отрицательные шоки.
В примере модели GARCH (1,1) остаточный процесс равен
где - идентификатор и
GJR-GARCH
Подобно QGARCH, модель Glosten-Jagannathan-Runkle GARCH (GJR-GARCH) от Glosten, Jagannathan and Runkle (1993) также моделирует асимметрию в процессе ARCH. Предлагается модель где - это iid, а
где если и if .
Модель TGARCH
Модель Threshold GARCH (TGARCH) Закояна (1994) похожа на GJR GARCH. В спецификации используется условное стандартное отклонение вместо условной дисперсии :
где если и если . Аналогично, если и если .
fGARCH
Модель Hentschel fGARCH, также известная как Family GARCH, представляет собой комплексную модель, которая объединяет множество других популярных симметричных и асимметричных GARCH модели, включая APARCH, GJR, AVGARCH, NGARCH и т. д.
COGARCH
В 2004 году Клаудиа Клюппельберг, Александр Линднер и Росс Маллер предложили обобщение непрерывного времени дискретный процесс GARCH (1,1). Идея состоит в том, чтобы начать с уравнений модели GARCH (1,1)
, а затем заменить процесс сильного белого шума на бесконечно малые приращения из процесса Леви , и процесс возведения в квадрат шума с шагом , где
является чисто прерывистой частью процесса квадратичной вариации процесса . Результатом является следующая система стохастических дифференциальных уравнений :
где положительные параметры , и определяются как , и . Теперь при некотором начальном условии , система выше имеет путевую уникальное решение которая затем называется моделью GARCH (COGARCH ) с непрерывным временем.
ZD-GARCH
В отличие от модели GARCH, модель GARCH с нулевым дрейфом (ZD-GARCH) Ли, Чжан, Чжу и Лин (2018) допускает смещение члена в модели GARCH первого порядка. Модель ZD-GARCH предназначена для модели , где - идентификатор iid, а
Модель ZD-GARCH не требует , поэтому модель экспоненциально взвешенного скользящего среднего (EWMA) вложена в «RiskMetrics ». Поскольку член смещения , модель ZD-GARCH всегда нестационарна, и ее методы статистического вывода сильно отличаются от методов для классического Модель GARCH. На основе исторических данных параметры и можно оценить с помощью обобщенного метода QMLE.
Пространственный GARCH
Пространственные GARCH-процессы Отто, Шмид и Гартофф (2018) рассматриваются как пространственный эквивалент модели временной обобщенной авторегрессионной условной гетероскедастичности (GARCH). В отличие от временной модели ARCH, в которой распределение известно с учетом полного набора информации для предыдущих периодов, распределение не является прямым в пространственной и пространственно-временной настройке из-за взаимозависимости между соседними пространственными местоположениями. Пространственная модель задается следующим образом: и
где обозначает -ое пространственное положение и относится к -й записи пространственной весовой матрицы и для . Матрица пространственных весов определяет, какие местоположения считаются смежными.
Ссылки
Дополнительная литература
- Bollerslev, Tim; Рассел, Джеффри; Уотсон, Марк (май 2010 г.). «Глава 8: Словарь ARCH (GARCH)» (PDF). Эконометрика волатильности и временных рядов: Очерки в честь Роберта Энгла (1-е изд.). Оксфорд: Издательство Оксфордского университета. С. 137–163. ISBN 9780199549498.
- Эндерс, У. (2004). «Моделирование волатильности». Прикладная эконометрика временных рядов (второе изд.). Джон-Уайли и сыновья. С. 108–155. ISBN 978-0-471-45173-0.
- Энгл, Роберт Ф. (1982). «Авторегрессионная условная гетероскедастичность с оценками дисперсии инфляции Соединенного Королевства». Econometrica. 50(4): 987–1008. DOI : 10.2307 / 1912773. JSTOR 1912773.(статья, которая вызвала общий интерес к моделям ARCH)
- Энгл, Роберт Ф. (1995). АРХИВ: избранные показания. Издательство Оксфордского университета. ISBN 978-0-19-877432-7.
- Энгл, Роберт Ф. (2001). «GARCH 101: Использование моделей ARCH / GARCH в прикладной эконометрике». Журнал экономических перспектив. 15(4): 157–168. doi : 10.1257 / jep.15.4.157. JSTOR 2696523.(краткое, удобочитаемое введение)
- Гуджарати, Д. Н. (2003). Основы эконометрики. стр. 856–862.
- Hacker, R. S.; Хатеми-Дж., А. (2005). «Тест на многомерные эффекты ARCH». Письма по прикладной экономике. 12 (7): 411–417. doi : 10.1080 / 13504850500092129.
- Нельсон, Д. Б. (1991). «Условная гетероскедастичность в доходности активов: новый подход». Econometrica. 59(2): 347–370. DOI : 10.2307 / 2938260. JSTOR 2938260.