Lecture06GARCH模型分析与应用.ppt

《Lecture06GARCH模型分析与应用.ppt》由会员分享，可在线阅读，更多相关《Lecture06GARCH模型分析与应用.ppt（30页珍藏版）》请在三一办公上搜索。

1、第六章 GARCH模型分析与应用,学习目标了解金融市场序列的ARCH过程；掌握GARCH模型、EGARCH模型和TGARCH模型的形式及其含义；熟悉GARCH类模型的检验与估计；掌握GARCH模型在金融数据分析中的应用。,GARCH模型分析与应用,第一节 ARCH过程第二节 GARCH类模型的检验与估计第三节 GRACH类模型的扩展,ARCH过程,第一节 ARCH过程ARCH模型（autoregessive conditonally heteroscedastic，ARCH），即自回归条件异方差模型，它是金融市场中广泛应用的一种特殊非线性模型。1982年，R.Engle在研究英国通货膨胀率序列

2、规律时提出ARCH模型，ARCH模型的核心思想是残差项的条件方差依赖于它的前期值的大小。1986年，Bollerslev在Engle的ARCH模型基础上对方差的表现形式进行了线性扩展，并形成了更为广泛的GARCH模型。后来，该类模型也得到了很大的发展，形成了如EGARCH,IGARCH,GARCH-M等模型。,ARCH过程,一、金融时间序列的异方差性特征现实金融市场上，许多金融时间序列并没有恒定的均值，大多数序列在呈现出阶段性的相对平稳的同时，往往伴随着出现剧烈的波动性。金融市场中，波动率（volatility）是金融时间序列最重要的特征之一，因而模拟和预测股票市场的波动性已经成为众多理论和实

3、证研究的重要领域。然而，金融市场时间序列存在非平稳性，样本均值并不恒定，有明显的异方差性特征。因此，传统线性结构模型（以及时间序列模型）并不能很好地解释金融数据的重要特征，这包括：尖峰厚尾（Leptokurtosis）：金融资产收益呈现厚尾（fat tails）和在均值处呈现过度波峰，即出现过度峰度分布的倾向；波动丛聚性（clustering）：金融市场波动往往呈现簇状倾向，即波动的当期水平往往与它最近的前些时期水平存在正相关关系。杠杆效应（leverage effects）：指价格大幅度下降后往往会出现同样幅度价格上升的倾向,ARCH过程,二、ARCH过程Engle(1982)提出的ARCH

4、模型，正是在不使用特定变量 或数据转换的情况下，同时对序列的均值和方差进行建模。要理解Engle的方法，首先我们要估计平稳ARCH模型 并预测，则 的条件均值为，若我们用这个条件均值去预测，则预测误差方差为。若用 表示模型 的残差估计值，那么 的条件方差为：现在假设条件方差不定，一个简单的处理方法就是用残差估计值的平方将条件方差建模为AR(q)过程为：类似于上式的式被称为自回归条件异常差（ARCH）模型。,ARCH过程,Engle提出的乘法条件异方差模型中最简单的一例为ARCH(1)模型，即：更一般地，Engle提出的ARCH模型的高阶ARCH（q）过程为：可见，Engle(1982)提出AR

5、CH模型的核心思想是：残差项 的条件方差依赖于它的前期值的大小。,ARCH过程,三、GRACH模型Bollerslev广义自回归条件异方差(Generalized ARCH,GARCH)模型。GARCH类模型最早是Engle提出的ARCH模型，即自回归条件异方差模型。设标的资产时间序列为,Engle年建立了回归模型ARCH(q)，其中，是因变量，是解释变量的向量，是未知参数的向量,假设 的在给定 时间内的信息 满足正态分布，但其条件方差为：,ARCH过程,Bollerslev(1986)扩展了Engle（1982）的原始模型，引入了一种允许条件方差转化为一个ARMA过程的方法。在GARCH模型

6、中，要考虑两个不同的假设：一个是条件均值；一个是条件方差。标准的GARCH(1,1)模型为：（6.13）（6.14）其中，方程（6.13）是均值方程，它是一个带有残差项的外生变量的函数；方程（6.14）是条件方差方程，它是根据前期信息为基础向前预测方差，因此 又称条件方差。同时，、和 是待估参数,ARCH过程,进一步扩展，可以得到高阶GARCH（p,q）模型。高阶GARCH模型可以包含多个ARCH项和GARCH项，它的条件方差表示为：其中，参数q是ARCH项的阶数，p是自回归GARCH项的阶数，。,ARCH过程,实证案例6-1上证指数的GARCH（1，1）模型为说明GARCH（1，1）模型，在

7、此我们以上证指数为例，时间区间为1990年12月19日至2006年8月31日，共3855个观测数据。其中，图6-3、图6-4为上证指数收益率序列和残差序列波动图，表6-1是该指数的GARCH（1，1）检验结果。,图6-3 上证指数收益率波动序列,图6-4：上证指数收益率的残差序列,ARCH过程,四、GACRCHM模型除了刻画残差项 的方差方程之外，还可以将残差项的条件方差特征作为影响序列 本身的解释变量之一，引入序列的 的均值方差，并利用条件方差预测风险，我们将这类模型称为ARCH均值（GARCH-in-mean)模型，即GARCH-M模型。GARCH-M模型最先是Engle等人在1987年引

8、入的，以此模型来描述风险溢价随时间的变化。GARCH-M(1,1)模型如下：当风险（波动性）增加时，收益水平增加，方程中对应的条件方差的系数 0；当风险增加时，收益水平减少时，对应的条件方差系数0。,GARCH类模型的检验与估计,第二节 GARCH类模型的检验与估计一、ARCH效应检验检验一个模型是否存在一个ARCH效应，通常有两种方法：ARCH LM检验和残差平方相关图检验。1、ARCH_LM检验1982年，Engle提出检验残差序列是否存在ARCH效应的拉格朗日乘数检验（Lagrange multiplier test），即ARCH LM检验。,GARCH类模型的检验与估计,ARCH LM

9、检验统计量是一个辅助检验统计量，即ARCH效应是通过一个辅助的回归检验计算出来的。为检验原假设：残差序列中直到q阶不存在ARCH效应，即=0。为此，我们需要进行如下检验：从检验结果，我们会得到两个统计量：（1）F统计量：对所有残差滞后的联合检验，用于检验所有滞后残差平方项都联合显著；（2）TR2统计量：观测样本个数T乘以回归检验的拟合优度R2。,GARCH类模型的检验与估计,2、残差平方相关图残差平方相关图显示残差平方序列任意指定滞后阶数的自相关（AC）和偏自相关（PAC）系数，并且计算相应滞后阶数的Ljung-Box Q统计量。残差平方相关图可用于检验残差序列中是否存在效应。如果残差序列存在

10、效应，自相关和偏自相关系数在所有的滞后阶数都为，并且统计量也不显著；否则，就说明序列中存在效应。,GARCH类模型的检验与估计,下面，我们以上证指数（）为例，说明ARCH 的检验步骤：首先，进行OLS对股票价格指数进行回归。第二步，检验ARCH效应。第三步：再利用GARCH（1，1）进行重新估计。,GARCH类模型的检验与估计,二、使用Eviews软件进行GARCH估计由于ARCH类模型是非线性的，不能应用OLS进行估计。原因在于OLS可使得残差平方和（RSS）最小化，而RSS仅取决于条件均值方程的参数，而不是条件方差。为估计GARCH类模型，为此应用极大似然法（maximum likelih

11、ood）的技术方法。极大似然估计法是一种估计回归参数的常用方法，它既可以用来估计线性模型，又可以用来估计非线性模型。从本质上而言，这种方法是通过在给定的实际数据中寻找最有可能的参数值进行的，更确切地说，要形成一个对数似然方程和寻找最大化的参数值，对线性和非线性模型运用极大似然估计来寻找参数。,GARCH类模型的检验与估计,三、使用SAS软件进行GARCH估计 选择1990年12月19日到2006年8月31日上证指数，共3856个交易日，在此，应用SAS软件对上证指数日收益率进行GARCH估计。以下分别是SAS的GARCH估计程序和估计结果：,SAS的GARCH程序如下：data szindex

12、;set szindex;rename VAR1=name VAR2=code VAR3=date VAR4=openprice VAR5=highprice VAR6=lowprice VAR7=closeprice;run;/*日收益率计算*/data r_day(keep=date closeprice r_pct r_log label=日收益率);set szindex;r_log=log(closeprice)-log(lag(closeprice);/*计算对数收益率*/run;proc sort data=r_day;by date;run;/*garch model*1990

13、-2006*/data GARCH;set R_day;proc autoreg data=r_day;model r_log=/nlag=1 garch=(q=1,p=1,tr);output out=out cev=cev;run;goptions reset=all;symbol i=join;proc gplot data=out;plot cev*date;symbol v=none i=join r=1 c=red;run;,GARCH类模型的检验与估计,上证指数的GARCH（1，1）估计结果,GRACH类模型的扩展,第三节 GRACH类模型的扩展自从GARCH模型提出以来，就出现

14、了非常多的模型加以扩展和变化。这些扩展模型大多数是对GARCH有关条件的改变，从而产生了不同的条件异方差的表达方式，因而产生了不同的GARCH类扩展模型。,GRACH类模型的扩展,一、非对称GARCH模型GARCH模型的一个主要约束是它们对正的或负的冲击做出对称反应。然而，对于金融时间序列而言，负的冲击往往比相同程度的正的冲击引起更大的波动。这种非对称性，是受到杠杆效应（leverage effects）的影响。因为较低的股价减少了股东权益，从而引起公司债务对股权比率的上升，这会导致承受公司剩余风险的公司股东觉察到它们未来的现金流具有更大的风险。为解释这一现象，Engle和Ng(1993)绘制

15、了好消息和坏消息的非对称信息曲线，认为资本市场的冲击是一种非对称性冲击,GRACH类模型的扩展,作为GARCH模型的简单扩展，TGARCH模型加入了解释可能的非对称性的附加项。TGARCH的方差方程为：其中，表示绝对残差变化方向的哑变量，当 时，；否则，。在模型中，好消息 和坏消息 对条件方差有不同的影响：好消息有一个 的冲击；坏消息有一个+的冲击。如果，我们说存在杠杆效应；如果，则信息是非对称的。,GRACH类模型的扩展,实证案例6-2应用TGARCH模型对中国上海与英国伦敦期货市场的杠杆效应进行检验高辉（2005）应用TGARCH模型对中国上海与英国伦敦期货市场的杠杆效应进行估计，估计区间

16、为1998年2月4日至2004年12月31日。两市铜期货市场的TARCH模型估计结果为：两市铝期货市场的TARCH模型估计结果为：,GRACH类模型的扩展,从上述估计结果中可以看出，哑变量前的系数均为负值，但是均不够显著，说明两市存在的“杠杆效应”均不显著，市场利好消息的影响不能明显强于利空消息的影响。这是中国上海期货交易所金属期货市场的波动性的重要特征。由于对于金属铜来说，两市的影响因素的来源相似，因此，两市波动性的非对称性程度基本一致（由哑变量的系数大小可以看出），表示两市的投资者在对待消息面的冲击的反应上具有基本相同的应变态度，但是对于金属铝来说，两市的影响因素存在一定的差异，两市波动性

17、的非对称性程度存在一定的差异。,GRACH类模型的扩展,2、Nelson的EGARCH模型指数GARCH（Expoential GARCH），其条件方差为：这里，若，则说明存在杠杆效应。只要，冲击的影响就是非对称的。更高阶的EGARCH表达为：,GRACH类模型的扩展,EGARCH(1,1)和GARCH(1,1)的信息冲击曲线对比图,GRACH类模型的扩展,二、单整GARCH（IGARCH）模型在GARCH(p,q)模型进行金融时间序列估计时，GARCH模型中的参数 和 要服从一定的条件。可以证明：若干扰项服从GARCH(p,q)过程，则其方差为：干扰项 的方差，无穷大的方差说明序列是不稳定的

18、。因此，通常将 成立时的GARCH（p,q）模型称为单整GARCH（integrated GARCH，IGARCH）模型。,GRACH类模型的扩展,实证案例6-3国际股票市场与内地市场之间波动的杠杆效应与溢出效应检验随着全球经济一体化和金融市场国际化，国际股票市场内地沪深市场之间存在某些重要关联。那么，国际市场（纽约、日本、香港）和内地市场（上海市场、深圳市场）之间是否存在一定的杠杆效应和溢出效应呢？在此，我们将对这个问题进行研究。在此，所采用的数据为2001年1月2日至2006年9月29日上海证券交易所、深圳证券交易所、香港联交所、东京证券交易所和纽约证券交易所每日收盘指数数据，包括上证指数

19、、深成指数、恒生指数、日经指数和标准普尔500指数，并分别定义为PSZPSC、PHS、PRJ和SPR，其各自的收益率定义为对数形式。,GRACH类模型的扩展,（1）杠杆效应杠杆效应体现了波动性传导的单向性，或者一定程度的风险态度差异，杠杆效应可以通过GARCH模型中引入一定的非对称项来实现，从而产生了非对称冲击模型，在此采用EGARCH模型来解释各股票市场的非对称性。下图是上海市场和深圳市场的信息冲击曲线，可以发现在我们选取的时段里不存在明显的信息不对称性。,沪深两市的信息冲击曲线,GRACH类模型的扩展,（2）溢出效应由于国际股票市场均存在信息冲击的非对称性，所以我们利用修正EGARCH模型来检验溢出效应，模型为：式中，表示的是残差平方。下表是利用EGARCH模型得出来的计量结果经整理后的结论，系数C(6)反映了国内股票市场向国外的信息溢出效应的强弱，可以看出，国际市场不受国内的影响。,