1
第 9 章 GARCH 模型
前面介绍的模型都是预测被解释变量的期望值,而 ARCH,GARCH 模型预测的是被解
释变量的方差。ARCH 模型在分析金融时间序列中有着广泛的应用。
9.1 问题的提出
以前介绍的异方差属于递增型异方差,即随机误差项方差的变化随解释变量的增大而增
大。但利率,汇率,股票收益等时间序列中存在的异方差却不属于递增型异方差。例如,汇
率,股票价格常常用随机游走过程描述,
x
t
= x
t -1
+ u
t
(9.1)
其中 u
t
为白噪声过程。1995-2000 年日元兑美元汇率时间序列及差分序列见图 9.1 和图 9.2。
图 9.1 日元兑美元汇率序列 JPY(1995-2000) 图 9.2 日元兑美元汇率差分序列(收益)D(JPY)
图 9.3 收益绝对值序列 (1995-2000) 图 9.4 D(JPY)的平方 (1995-2000)
这种序列的特征是(1)过程的方差不仅随时间变化,而且有时变化得很激烈。(2)按
时间观察,表现出“波动集群”(volatility clustering)特征,即方差在一定时段中比较小,
而在另一时段中比较大。(3)从取值的分布看表现的则是“高峰厚尾”(leptokurtosis and
fat-tail)特征,即均值附近与尾区的概率值比正态分布大,而其余区域的概率比正态分布小。
图 9.5 给出高峰厚尾分布示意图。图 9.6 给出一个高峰厚尾分布实例。
显然现期方差与前期的“波动”有关系。描述这类关系的模型称为自回归条件异方差
(ARCH)模型(Engle 1982 年提出)。使用 ARCH 模型的理由是:(1)通过预测 x
t
或 u
t
的
变化量评估股票的持有或交易对收益所带来的风险有多大,以及决策的代价有多大;(2)可
以预测 x
t
的置信区间,它是随时间变化的;(3)对条件异方差进行正确估计后可以使回归参
数的估计量更具有有效性。
80
100
120
140
160
200 400 600 800 1000 1200 1400
JPY (1995-2000)
-8
-6
-4
-2
0
2
4
6
200 400 600 800 1000 1200 1400
D(JPY) (1995-2000)
0
2
4
6
8
200 400 600 800 1000 1200 1400
Volatility of returns
0
10
20
30
40
50
60
200 400 600 800 1000 1200 1400
DJPY^2
评论0