GARCH模型与应用简介(免费)Word文档格式.doc
- 文档编号:13282200
- 上传时间:2022-10-09
- 格式:DOC
- 页数:51
- 大小:194.50KB
GARCH模型与应用简介(免费)Word文档格式.doc
《GARCH模型与应用简介(免费)Word文档格式.doc》由会员分享,可在线阅读,更多相关《GARCH模型与应用简介(免费)Word文档格式.doc(51页珍藏版)》请在冰豆网上搜索。
E(yt½
yt-1,yt-2,…)º
j(yt-1,yt-2,…),(0.1)
依条件期望的性质有
Ej(yt-1,yt-2,…)=E{E(yt½
yt-1,yt-2,…)}=Eyt=m.(0.2)
记误差(或残差):
etº
yt-j(yt-1,yt-2,…).(0.3)
由(0.1)(0.2)式必有:
Eet=Eyt-Ej(yt-1,yt-2,…)
=Eyt-Eyt=0,(0-均值性)(0.4)
及
Eet2=E[yt-j(yt-1,yt-2,…)]2
=E{(yt-m)-[j(yt-1,yt-2,…)-m]}2(中心化)
=E(yt-m)2+E[j(yt-1,yt-2,…)-m]2
-2E(yt-m)[j(yt-1,yt-2,…)-m]
=g0+Var{j(yt-1,yt-2,…)}
-2EE{(yt-m)[j(yt-1,yt-2,…)-m]½
yt-1,yt-2,…}
(根据Ex=E{E[x½
yt-1,yt-2,…]})
-2E{[j(yt-1,yt-2,…)-m]E[(yt-m)½
yt-1,yt-2,…]}
(再用E[x´
y(yt-1,yt-2,…)½
yt-1,yt-2,…]
=y(yt-1,yt-2,…)E[x½
yt-1,yt-2,…];
并取x=(yt-m),y(yt-1,yt-2,…)=[j(yt-1,yt-2,…)-m];
由(0.1)(0.2)可得)
=g0+Var{j(yt-1,yt-2,…)}-2E[j(yt-1,yt-2,…)-m]2
=g0-Var{j(yt-1,yt-2,…)}.(0.5)
即有:
g0=Var(yt)=Var(j(yt-1,yt-2,…))+Var(et).(0.6)
此式表明,yt的方差(=g0)可表示为:
回归函数的方差(Var(j(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(et½
Ft-1)=E{yt-j(yt-1,yt-2,…)½
Ft-1}
=E(yt½
Ft-1)-E{j(yt-1,yt-2,…)½
=j(yt-1,yt-2,…)-j(yt-1,yt-2,…)
=0.(0.7)
再看条件方差:
Var(et½
Ft-1)=E{[et-E(et½
Ft-1)]2½
=E{et2½
Ft-1}(用(0.7)式)
º
S2(yt-1,yt-2,…).(0.8)
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=j(yt-1,yt-2,…)+et,(0.9)
其中j(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E|yt|<
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
etº
et/S(yt-1,yt-2,…).
则有,
Ft-1)=E[et/S(yt-1,yt-2,…)½
Ft-1]
={1/S(yt-1,yt-2,…)}E[et½
Ft-1]
=0.(依(0.7)式)(0.10)
以及
E(et2½
Ft-1)=E[et2/S2(yt-1,yt-2,…)½
={1/S2(yt-1,yt-2,…)}E[et2½
Ft-1](用(0.8))
={S2(yt-1,yt-2,…)}/{S2(yt-1,yt-2,…)}
=1.(a.s.)(0.11)
由此可见,{et}也是平稳鞅差序列,与{et}相比,{et}的条件方差为常数1.于是(0.9)式可写为:
yt=j(yt-1,yt-2,…)+S(yt-1,yt-2,…)et,(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,
Ft-1)=Var(et½
yt-1,yt-2,…)
=Var(et½
et-1,et-2,…)
º
h(et-1,et-2,…).(0.13)
因此,模型(0.12)式又可些成
yt=j(yt-1,yt-2,…)+h1/2(et-1,et-2,…)et.(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:
et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(et2½
yt-1,yt-2,…)=Var(et2)=常数.(0.15)
这里用了条件期望的一条性质,即当X与Y独立时,
E(X½
Y)=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,…)et,但{et}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,…)et,但{et}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j(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j(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j(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j(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j(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j(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j(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j(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.
综上所说,我们将专门讨论如下的鞅差平稳序列,即,
j(yt-1,yt-2,…)=0.(1.1)
Var(yt½
S2(yt-1,yt-2,…)>
0.(1.2)
换句话说,考虑如下的(0.9)模型
yt=et,(1.3)
它的标准化的模型(0.12)为
yt=S(yt-1,yt-2,…)et.(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:
而且S(yt-1,yt-2,…)为有限参模型’’,(1982--).
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:
ge(k)=Eet+ket=E[E(et+ket½
et+
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- GARCH 模型 应用 简介 免费