文档介绍:该【GARCH模型介绍 】是由【儒林】上传分享,文档一共【55】页,该文档可以免费在线阅读,需要了解更多关于【GARCH模型介绍 】的内容,可以使用淘豆网的站内搜索功能,选择自己适合的文档,以下文字是截取该文章内的部分文字,如需要获得完整电子版,请下载此文档到您的设备,方便您编辑和打印。GARCH模型介绍2GARCH模型与应用简介(2006,5)前言……………………………………………..2GARCH模型………………………………………….7模型的参数估计………………………………………16模型检验……………………………………………………………………………………………32实例……………………………….……………………42某些新进展……………………….…………………...46参考文献………………………………………………50附录:常用的条件期望公式……………………....513(再用E[x′y(yt-1,yt-2,…)?yt-1,yt-2,…]=y(yt-1,yt-2,…)E[x?yt-1,yt-2,…];并取x=(yt-m),y(yt-1,yt-2,…)=[j(yt-1,yt-2,…)-m];由()()可得)=g0+Var{j(yt-1,yt-2,…)}-2E[j(yt-1,yt-2,…)-m]2=g0-Var{j(yt-1,yt-2,…)}.()即有:g0=Var(yt)=Var(j(yt-1,yt-2,…))+Var(et).()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)),以下记Ft-1={yt-1,yt-2,…}.首先考虑et的条件均值:E(et?Ft-1)=E{yt-j(yt-1,yt-2,…)?Ft-1}=E(yt?Ft-1)-E{j(yt-1,yt-2,…)?Ft-1}=j(yt-1,yt-2,…)-j(yt-1,yt-2,…)=0.()再看条件方差:Var(et?Ft-1)=E{[et-E(et?Ft-1)]2?Ft-1}=E{et2?Ft-1}(用()式)oS2(yt-1,yt-2,…).()4此处S2(yt-1,yt-2,…),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()式,平稳随机序列{yt}总有如下表达式:yt=j(yt-1,yt-2,…)+et,()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},满足()式的{et}为鞅差序列,{yt}是严平稳随机序列,且E|yt|<¥,上述推演是严格的,从而{et}{yt}有遍历性时,,即令etoet/S(yt-1,yt-2,…).则有,E(et?Ft-1)=E[et/S(yt-1,yt-2,…)?Ft-1]={1/S(yt-1,yt-2,…)}E[et?Ft-1]=0.(依()式)()以及E(et2?Ft-1)=E[et2/S2(yt-1,yt-2,…)?Ft-1]={1/S2(yt-1,yt-2,…)}E[et2?Ft-1](用())={S2(yt-1,yt-2,…)}/{S2(yt-1,yt-2,…)}=1.(.)()5由此可见,{et}也是平稳鞅差序列,与{et}相比,{et}()式可写为:yt=j(yt-1,yt-2,…)+S(yt-1,yt-2,…)et,()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,…),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()模型具有可逆性,那么,Var(et?Ft-1)=Var(et?yt-1,yt-2,…)=Var(et?et-1,et-2,…)oh(et-1,et-2,…).()因此,模型()式又可些成yt=j(yt-1,yt-2,…)+h1/2(et-1,et-2,…)et.()请注意,模型()()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()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,{yt}:若在()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:6Var(et2?yt-1,yt-2,…)=Var(et2)=常数.()这里用了条件期望的一条性质,即当X与Y独立时,E(X?Y)=,为什么加这些人为的假定呢?()式et先后被假定为:“(0,σ2)”,(1943--)“-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}(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}(yt-1,yt-2,…)为有限参模型”。(2000--)究其根源,{et}的定义,性质,,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,…),,所考虑的j(yt-1,yt-2,…),虽说有了很大的改进,但是,与最一般的j(yt-1,yt-2,…)(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()().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---,也在向着半参数,,与最一般的S(yt-1,yt-2,…),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,…),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,…),,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,,其一,做第一步时,由于{et}是鞅差序列,,在介绍条件异方差建模时,可以只讨论j(yt-1,yt-2,…)=,,还有一言,在金融统计中,专门考虑条件异方差建模问题,,我们将专门讨论如下的鞅差平稳序列,即,E(yt?yt-1,yt-2,…)oj(yt-1,yt-2,…)=0.()Var(yt?yt-1,yt-2,…)oS2(yt-1,yt-2,…)>0.()换句话说,考虑如下的()模型yt=et,()它的标准化的模型()为yt=S(yt-1,yt-2,…)et.()请注意,{et}的限制的历程,以下我们要讲的恰好是:“et=S(yt-1,yt-2,…)et,但{et}(0,σ2)序列,而且S(yt-1,yt-2,…)为有限参模型’’,(1982--).再新的内容,,,先看一看序列{et}的自协方差函数序列:ge(k)=Eet+ket=E[E(et+ket?et+k-1,et+k-2,…)]=E[etE(et+k?et+k-1,et+k-2,…)]=E{et′0}=0,,,除了判断j(yt-1,yt-2,…)=0外,,相关性分析和谱分析不能对(),(p)模型.(ARCH---AutoregressiveConditionalHeteroscedasticity)在金融界,大量的数据序列呈现不可预报性,相当于前面的()或()式中的j(yt-1,yt-2,…)=0,于是有兴趣研究()(1982)首先提出并使用了如下的有限参数模型:yt=S(yt-1,yt-2,…)etoht1/2et,()ht=a0+a1yt-12+a2yt-22+…+apyt-p2,()a0>0,ai30,i=1,2,…,{et},et~N(0,1),且et与{yt-1,yt-2,…}独立,为了简化记号,记ht=S2(yt-1,yt-2,…).此模型被称为自回归条件异方差模型,简记ARCH(p),,此模型只是普遍适用的()式模型的子类,因为,在ARCH模型中对模型(),我们将作几点明,,限定{et}!这是很强的限制,