В эконометрике модель авторегрессионной условной гетероскедастичности ( ARCH ) - это статистическая модель для данных временных рядов, которая описывает дисперсию текущего члена ошибки или нововведения как функцию фактических размеров членов ошибки предыдущих периодов времени; [1] часто дисперсия связана с квадратами предыдущих нововведений . Модель ARCH подходит, когда дисперсия ошибок во временном ряду соответствует модели авторегрессии (AR); если авторегрессионная скользящая средняя(ARMA) модель используется для дисперсии ошибок, модель является обобщенной авторегрессионной условной гетероскедастичностью ( GARCH ). [2]
Модели ARCH обычно используются при моделировании финансовых временных рядов, которые демонстрируют изменяющуюся во времени волатильность и кластеризацию волатильности , то есть периоды колебаний, перемежающиеся периодами относительного затишья. Модели типа ARCH иногда считаются принадлежащими к семейству моделей стохастической волатильности , хотя это строго неверно, поскольку в момент времени t волатильность полностью предопределена (детерминирована) с учетом предыдущих значений. [3]
Спецификация модели ARCH ( q ) [ править ]
Чтобы смоделировать временной ряд с использованием процесса ARCH, позвольте обозначить термины ошибки (возвращаемые остатки по отношению к среднему процессу), то есть члены ряда. Они разделены на стохастическую часть и зависящее от времени стандартное отклонение, характеризующее типичный размер членов, так что
Случайная величина - это сильный белый шум . Сериал смоделирован
- ,
- где и .
Модель ARCH ( q ) можно оценить с помощью обычных наименьших квадратов . Методология проверки длины лага ошибок ARCH с использованием теста множителя Лагранжа была предложена Энглом (1982). Эта процедура выглядит следующим образом:
- Оцените наиболее подходящую модель авторегрессии AR ( q ) .
- Получите квадраты ошибки и регрессируйте их на постоянные и запаздывающие значения q :
- где q - длина лагов ARCH.
- Нулевая гипотеза состоит в том, в отсутствии компонентов ARCH, у нас есть для всех . Альтернативная гипотеза состоит в том, что при наличии компонентов ARCH, по крайней мере, один из оцененных коэффициентов должен быть значимым. В выборке из 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 по сравнению с лагами (т . Е. ). 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 отклоняем нулевую гипотезу.
ГАРЧ [ править ]
Если модель авторегрессионной модели скользящего среднего (ARMA) предполагается для дисперсии ошибки, то эта модель является обобщенной моделью авторегрессионной условной гетероскедастичности (GARCH). [2]
В этом случае модель GARCH ( p , q ) (где p - это порядок членов GARCH, а q - порядок членов ARCH ), следуя обозначениям исходной статьи, задается следующим образом:
Как правило, при тестировании эконометрических моделей на гетероскедастичность лучшим тестом является тест Уайта . Однако при работе с данными временных рядов 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 обладает некоторыми привлекательными свойствами, такими как больший вес по сравнению с недавними наблюдениями, но также и недостатками, такими как произвольный коэффициент затухания, который привносит субъективность в оценку.
Спецификация модели GARCH ( p , q ) [ править ]
Длина задержки p процесса GARCH ( p , q ) устанавливается в три этапа:
- Оцените наиболее подходящую модель AR ( q )
- .
- Вычислить и построить автокорреляцию по
- Асимптотика, то есть для больших выборок, стандартное отклонение составляет . 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 меньше, чем, скажем, 10% значимости. Q-статистика Льюнга-Бокса следует распределению с n степенями свободы, если квадраты остатков некоррелированы. 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 .
НГАРЧ [ править ]
Этот раздел необходимо расширить с помощью: [4] [5] . Вы можете помочь, добавив к нему . ( Октябрь 2017 г. ) |
НАГАРЧ [ править ]
Нелинейный асимметричный GARCH (1,1) ( NAGARCH ) - это модель со спецификацией: [6] [7]
- ,
- где и , что обеспечивает неотрицательность и стационарность дисперсионного процесса.
Для доходности акций параметр обычно считается положительным; в данном случае это отражает явление, обычно называемое «эффектом кредитного плеча», означающее, что отрицательная доходность увеличивает будущую волатильность в большей степени, чем положительная доходность той же величины. [6] [7]
Эту модель не следует путать с моделью NARCH вместе с расширением NGARCH, введенным Хиггинсом и Бера в 1992 г. [8]
ИГАРЧ [ править ]
Интегрированная обобщенная авторегрессия с условной гетероскедастичностью (IGARCH) - это ограниченная версия модели GARCH, где постоянные параметры суммируются до единицы и импортируют единичный корень в процесс GARCH. Условием для этого является
.
EGARCH [ править ]
Экспоненциальная обобщенная авторегрессионная условно-гетероскедастическая модель (EGARCH), разработанная Нельсоном и Као (1991), является еще одной 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 позволяет знаку и величине по отдельности влиять на волатильность. Это особенно полезно в контексте ценообразования активов. [9] [10]
Поскольку значение может быть отрицательным, для параметров нет ограничений по знаку.
ГАРЧ-М [ править ]
Модель GARCH-in-mean (GARCH-M) добавляет член гетероскедастичности в уравнение среднего. Имеет спецификацию:
Остаток определяется как:
QGARCH [ править ]
Модель квадратичного GARCH (QGARCH), разработанная Sentana (1995), используется для моделирования асимметричных эффектов положительных и отрицательных шоков.
В примере модели GARCH (1,1) остаточный процесс имеет вид
где iid и
GJR-GARCH [ править ]
Подобно QGARCH, модель Glosten-Jagannathan-Runkle GARCH (GJR-GARCH), разработанная Glosten, Jagannathan и Runkle (1993), также моделирует асимметрию в процессе ARCH. Предлагается смоделировать, где находится iid, и
где если и если .
Модель ТГАРЧ [ править ]
Модель Threshold GARCH (TGARCH) Закояна (1994) похожа на модель GJR GARCH. Спецификация основана на условном стандартном отклонении вместо условной дисперсии :
где если и если . Точно так же, если и если .
fGARCH [ править ]
Модель Hentschel fGARCH [11], также известная как Family GARCH , представляет собой комплексную модель, которая объединяет множество других популярных симметричных и асимметричных моделей GARCH, включая APARCH, GJR, AVGARCH, NGARCH и т. Д.
КОГАРЧ [ править ]
В 2004 году Клаудиа Клюппельберг , Александр Линднер и Росс Маллер предложили непрерывное обобщение дискретного времени GARCH (1,1) -процесса. Идея состоит в том, чтобы начать с уравнений модели GARCH (1,1).
а затем заменить процесс сильного белого шума бесконечно малыми приращениями процесса Леви , а процесс возведения шума в квадрат - приращениями , где
является чисто разрывной частью квадратичной вариации процесса . Результатом является следующая система стохастических дифференциальных уравнений :
где положительные параметры , и определяются величинами , и . Теперь при заданном начальном условии система выше имеет уникальное по пути решение, которое затем называется моделью GARCH ( COGARCH ) с непрерывным временем . [12]
ZD-GARCH [ править ]
В отличие от модели GARCH, модель GARCH с нулевым дрейфом (ZD-GARCH) Ли, Чжан, Чжу и Линг (2018) [13] позволяет использовать член смещения в модели GARCH первого порядка. Модель ZD-GARCH предназначена для моделирования , где iid, а
Модель ZD-GARCH не требует , и, следовательно, она включает модель экспоненциально взвешенного скользящего среднего (EWMA) в « RiskMetrics ». Из-за дрейфа модель ZD-GARCH всегда нестационарна, и ее методы статистического вывода сильно отличаются от методов классической модели GARCH. На основе исторических данных параметры и можно оценить обобщенным методом QMLE .
Пространственный GARCH [ править ]
Пространственные процессы GARCH, разработанные Отто, Шмидом и Гартоффом (2018) [14] , 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 формулами и
где обозначает -ое пространственное положение и относится к -ому элементу пространственной весовой матрицы, а для . Матрица пространственных весов определяет, какие местоположения считаются смежными.
Ссылки [ править ]
- ^ Энгл, Роберт Ф. (1982). «Авторегрессионная условная гетероскедастичность с оценками дисперсии инфляции Соединенного Королевства». Econometrica . 50 (4): 987–1007. DOI : 10.2307 / 1912773 . JSTOR 1912773 .
- ^ a b Тим Боллерслев (1986). «Обобщенная авторегрессионная условная гетероскедастичность». Журнал эконометрики . 31 (3): 307–327. CiteSeerX 10.1.1.468.2892 . DOI : 10.1016 / 0304-4076 (86) 90063-1 .
- ^ Брукс, Крис (2014). Вводная эконометрика для финансов (3-е изд.). Кембридж: Издательство Кембриджского университета. п. 461. ISBN. 9781107661455.
- ^ Ланн, Маркку; Сайкконен, Пентти (июль 2005 г.). «Нелинейные модели GARCH для очень стойкой волатильности» (PDF) . Журнал эконометрики . 8 (2): 251–276. DOI : 10.1111 / j.1368-423X.2005.00163.x . JSTOR 23113641 . S2CID 15252964 .
- ^ Боллерслев, Тим; 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. Проверено 27 октября 2017 года .
- ^ а б Энгл, Роберт Ф .; Нг, Виктор К. (1993). «Измерение и тестирование влияния новостей на волатильность» (PDF) . Журнал финансов . 48 (5): 1749–1778. DOI : 10.1111 / j.1540-6261.1993.tb05127.x . SSRN 262096 .
В финансовой литературе еще не ясно, что асимметричные свойства дисперсии связаны с изменяющимся левереджем.
Название «эффект кредитного плеча» используется просто потому, что оно популярно среди исследователей при упоминании такого явления.
- ^ a b Поседел, Петра (2006). «Анализ обменного курса и ценообразования в иностранной валюте на хорватском рынке: модель Нгарча как альтернатива модели Блэка Шоулза» (PDF) . Финансовая теория и практика . 30 (4): 347–368.
Особое внимание модели уделяется параметру асимметрии [тета (θ)], который описывает корреляцию между доходностью и дисперсией.
6
...
6
В случае анализа доходности акций положительное значение [тета] отражает эмпирически известный эффект кредитного плеча, указывающий на то, что движение вниз в цене акции вызывает большее увеличение дисперсии, чем такое же значение движения вниз в цене. акции, что означает отрицательную корреляцию между доходностью и дисперсией. - ^ Хиггинс, ML; Бера, АК (1992). «Класс нелинейных арочных моделей». Международное экономическое обозрение . 33 (1): 137–158. DOI : 10.2307 / 2526988 . JSTOR 2526988 .
- ^ Сен-Пьер, Эйлин Ф. (1998). «Оценка моделей ЭГАРЧ-М: наука или искусство». Ежеквартальный обзор экономики и финансов . 38 (2): 167–180. DOI : 10.1016 / S1062-9769 (99) 80110-0 .
- ^ Чаттерджи, Сварн; Хаббл, Эми (2016). «Эффект дня недели на биотехнологические акции США - имеют ли значение изменения политики и экономические циклы?». Летопись финансовой экономики . 11 (2): 1–17. DOI : 10.1142 / S2010495216500081 .
- ^ Hentschel Лудгер (1995). «Все в семействе Nesting симметричных и асимметричных моделей GARCH». Журнал финансовой экономики . 39 (1): 71–104. CiteSeerX 10.1.1.557.8941 . DOI : 10.1016 / 0304-405X (94) 00821-H .
- ^ Klüppelberg, C .; Lindner, A .; Маллер, Р. (2004). «Непрерывный процесс GARCH, управляемый процессом Леви: стационарность и поведение второго порядка». Журнал прикладной теории вероятностей . 41 (3): 601–622. DOI : 10.1239 / JAP / 1091543413 .
- ^ Ли, Д .; Чжан, X .; Zhu, K .; Линг, С. (2018). «Модель ZD-GARCH: новый способ изучения гетероскедастичности» (PDF) . Журнал эконометрики . 202 (1): 1–17. DOI : 10.1016 / j.jeconom.2017.09.003 .
- ^ Отто, П .; Schmid, W .; Гартофф Р. (2018). «Обобщенная пространственная и пространственно-временная авторегрессионная условная гетероскедастичность». Пространственная статистика . 26 (1): 125–145. arXiv : 1609.00711 . DOI : 10.1016 / j.spasta.2018.07.005 . S2CID 88521485 .
Дальнейшее чтение [ править ]
- Боллерслев, Тим; 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, В. (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 всеобщий 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, DN (2003). Базовая эконометрика . С. 856–862.
- Хакер, RS; Хатеми-Дж. А. (2005). «Тест на многомерные эффекты ARCH» . Письма по прикладной экономике . 12 (7): 411–417. DOI : 10.1080 / 13504850500092129 .
- Нельсон, ДБ (1991). «Условная гетероскедастичность в доходности активов: новый подход». Econometrica . 59 (2): 347–370. DOI : 10.2307 / 2938260 . JSTOR 2938260 .