版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
在对时间序列丫、X1进行回归分析时需要考虑Y与X1之间是否存在某种切实的关系,所以需
要进行协整检验。
1.1利用eviews创建时间序列Y、X1:
打开eviews软件点击file-new-workfile,见对话框又三块空白处workfilestructure
type处又三项选择,分别是非时间序列unstructured/undate,时间序列dated-regular
frequency,和不明英语balancepanel。选择时间序歹ijdated-regularfrequency。在date
specification中选择年度,半年度或者季度等,和起始时间。右下角为工作间取名字和页数。
点击ok。
在所创建的workfile中点击object-newobject,选择series,以及填写名字如丫,点击OK。
将数据填写入内。
1.2对序列Y进行平稳性检验:
此时应对序列数据取对数,取对数的好处在于可将间距很大的数据转换为间距较小的数据。
具体做法是在workfiley的窗口中点击Genr,输入logy=log(y),则生成y的对数序列logy。
再对logy序列进行平稳性检验。
点击view-Unitedroottest,testtype选择ADF检验,滞后阶数中laglength选择SIC
检验,点击ok得结果如下:
NullHypothesis:LOGYhasaunitroot
Exogenous:Constant
LagLength:0(AutomaticbasedonSIC,MAXLAG=1)
t-StatisticProb.*
AugmentedDickey-Fullertest
statistic-2.750946017166370.0995139988900359
Testcriticalvalues:1%level-4.29707275602226
5%level-3.21269639026225
10%level-2.74767611540013
当检验值AugmentedDickey-Fullerteststatistic的绝对值大于临界值绝对值时,序列
为平稳序列。
若非平稳序列,则对logy取一阶差分,再进行平稳性检验。直到出现平稳序列。假设Dlogy
和DlogXI为平稳序列。
1.3对Dlogy和DlogXI进行协整检验
点击窗口quick-equationestimation,输入DLOGYCDLOGX1,点击ok,得到运行结
果,再点击proc-makeresidualseries进行残差提取得到残差序列,再对残差序列进行平稳
性检验,若残差为平稳序列,则Dlogy与DlogxI存在协整关系。
GARCH模型与应用简介
(2006,5)
0.前言.......................................2
1.GARCH模型...............................7
2.模型的参数估计............................16
3.模型检验..................................27
4.模型的应用................................32
5.实例.......................................42
6.某些新进展................................46
参考文献....................................50
0.前言(随机序列的条件均值与条件方差简介)
考察严平稳随机序列{%},且E|yt|<oo.记其均值Eyt=H,
协方差函数Yk=E{(yt-R(yt+k-R}.其条件期望(或条件均值):
E(ytlyt」,yt-2,…片(p(yt-i,ytz…),(0.1)
依条件期望的性质有
E(p(yt/,yt.2,…)=E{E(*|yt-i,yt-如••)}=Eyt=g.(0.2)
记误差(或残差):
et=yt-(p(yt-byt-2v).(0.3)
由(0.1)(0.2)式必有:
Eet=Eyt-E(p(yt.1,yt.2,..-)
=Eyt-Eyt=0,(0-均值性)(0.4)
及
Eef2=E[yt-(p(yt”,yt.2,…)]之
2
=E{(yt-|i)-[(p(yt-Byt-2v-)-H]}仲心化)
22
=E(yt-(i)+E[(p(yt-i,yt-2v.•)-g]
・2E(yt叩)[<p(yt”,yt.2,…)叩]
=Yo+Var{(p(yt.i,yt.2v-)}
-2EE{(yt-p)[(p(yt-byt-2,...)-g]Iyt-i,yt-2,…}
(根据Ex=E{E[x|yt.byt.2,...]})
=Yo+Var{(p(yt.i,yt.2,...)}
-2E{[(p(yt.byt.2,...)-|Li]E[(yt-|Li)|丫.济2…]}
(再用E[xx\|/(yt.i,yt-2,—)Iyt-i,yt.2,.-]
=v(yt-i,yt-2,…)E[xIyt-i,yt-2,…];
并取x=(yt-p),v(yt-i?yt-2v•)=[(p(yt-i,yt-2v•)-p];
由(0.1)(0.2)可得)
2
=Yo+Var{(p(yt.i,yt.2,...)}-2E[(p(yt.i,yt-2v)-p]
=Yo-Var{(p(yt.i,yt.2,...)}.(0.5)
即有:
y0=Var(yt)=Var((p(yt.i,yt.2,...))+Var(et).(0.6)
此式表明,yt的方差(=YO)可表示为:回归函数的方差
(Var((p(yt.i,yt-2v•)),与残差的方差(Var(e与之和.
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.]={ytJ,yt2…}.
首先考虑et的条件均值:
E(et|Ft.i)=E{yt-(p(yt-byt-2,—)IFt-i)
=E(ytIFt.i)-E{(p(yt-byt-2v)I%}
=<p(yt“,yt-2,…)-(p(yt-i,yt-2,-)
=0.(0.7)
再看条件方差:
2
Var(et|Ft.1)=E{[et-E(et|F^)]1Ft4}
2
=E{et1FQ(用(0.7)式)
2
=S(yt-i5yt-2v)«(0・8)
此处出(—&…)为条件方差函数.注意,et的条件均值是零,
2
条件方差是非负的函数S(yt-i,yt.2,...),它不一定是常数!
依(0.3)式,平稳随机序列{yj总有如下表达式:
yt=<p(yt/,yt-2,…)(0.9)
其中q(V川V⑶…)被称为自回归函数,不一定是线性的•{生}
可称为新息序列,与线性模型的新息序列不同,除非{yj是
正态序列.顺便指出,满足(0.4)式的为鞅差序列,因为对
它的求和是离散的鞅序列.由于{yj是严平稳随机序列,且
E|yt|<oo,上述推演是严格的,从而{生}是严平稳的鞅差序歹!].
当{yj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.
现在将由标准化,即令
仇三e/S(yt-i,yt-2,…)•
则有,
E(st|Ft.i)=E[et/S(yt.i,yt.2v•)IFt-il
={l/S(yt.i,yt.2,...)}E[et|Ft.1]
=0.(依(0.7)式)(0.10)
以及
222
E(st1Ft.1)=E[et/S(yt.i,yt-2,...)IFt.d
22
={l/S(yt-i,yt.2,...)}E[et1FM](用(0.8))
22
={S(yt.i,yt-2v.-)}/{S(yt-byt-2v.))
=1.(a.s.)(0.11)
由此可见,佃}也是平稳鞅差序列,与{.}相比,{3的条件方
差为常数1.于是(0.9)式可写为:
yt=(p(yt-i,yt-2,...)+5(丫b1品.如・・)5,(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(ym,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,
Var(etIFt.i)=Var(et|丫仁即方…)
=Var(etlet.i,et.2,...)
=h(et.i,et-2v-)-(0.13)
因此,模型(0.12)式又可些成
yt=^p(yt-i,yt-2>,e,)+h(。」4)
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:
我与{yt」,yt-2,…}相互独立!
此假定是实质性的,人为的.
它对仇}的概率分布有实质性的限制.
还须指出:若在(0.9)式中直接假定生与{yt」,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:
2
Var(et1丫口品⑵…):Var(et?)=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(X|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)式生先后被假定为:
且N(0,O2)”,(1943-)
且0-均值-方差有穷”,(I960-)
“鞅差序列,且条件方差S2(...)=常数”,(1970-)
"et=S(yt4,yt.2,...)et,但{仇}为i.i.d.N(0,。与序列,
而且S(y』yt.2,…)为有限参模型”,(1982・・)
w
et=S(yt.i,yt.2,…)£t,但{7}为i.i.d.序列
而且S(yu,ytz…)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…)的发展史,
大致如下(不细论):
线性一非线性参数一半参数f非参数。
在以上的讨论中,使用记号9(y.Rz…),是为了突出普适性.
在文献中和实际应用中,所考虑的①(yt」,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<P(yt」,yt-2,…)还有很大差距.
类似的讨论也适用S(yt.byt.2,...).也是为了突出普适
性,才引入了记号S(y』yt.2,…)和模型(012)(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
§@“怎一2,...)的简单情况--小区d1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(ytj,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,主要讨论中国.1怎.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(p(yt-i,yt-2,…)有关;另一个与
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①…)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{臣}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{ej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,可以只讨论中心.1怎.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,
E(ytlyt-i,yt-2,・「)m(p(yt-i,yt-2,・・・)=0・(11)
2
Var(yt|yt”,yt.2,…>S(yM,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”,yt.2,…而(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佃}的限制的历
程,以下我们要讲的恰好是:
"et=S(yt.byt.2,...)st,但{仇}为i.i.d.N(0,。序列,
而且S(yt.bytz…)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,先看一看序列佃}的自协方
差函数序列:
Ye(k)=Eet+ket=E[E(et+ket|et+k-i,et+k-2,・・・)]
=E[etE(et+k|et+k-i,et+k-2,・・J]
=E{etx0}=0,k>l.
可见,平稳鞅差序列也是白噪声.根据自协方差序列做平稳
序列的建模和谱分析时,除了判断(p(yt」,yt.2,...)=0夕卜,几乎
无话可说.换句话说,相关性分析和谱分析不能对(L4)式的
序列作出更深刻的分析.为了进一步获得它的深入的结构特
征,必须引入新的概念和新的方法.
1.2.ARCH(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(0.9)或(0.12)式中的中仇.1/.2,…)=0,于是有兴趣研究
(1.4)模型.Engle(1982)首先提出并使用了如下的有限参数模
型:
yt=S(yt_],yt-2,…)£t三%%,(L5)
222
ht=ao+aiyt.i+«2yt-2+...+apyt-P,(L6)
ao>O,ai>0,i=l,2,...,p.
其中{幻为i.i.d.的序歹!],£t~N(0,1),且力与{yt/,八2,…}独立,
2
为了简化记号,记ht=S(yt.i,yt-2,…)•
此模型被称为自回归条件异方差模型,简记ARCH(p),
其中P表示模型的阶数.
很明显,此模型只是普遍适用的(1.4)式模型的子类,因
为,在ARCH模型中对模型(1.4)添加了很多的人为限制.
为了增进对ARCH模型的了解,我们将作几点明,以代
替严格的推理论述.
其一,限定{臣}为i.i.d.序列!这是很强的限制,这是由于
现有理论的基楚所限.
其二,限定条件方差有(1.6)式的简单形式,即
2
ht=S(yt.i,ytz…)=ao+aiyt/+a2yt.2?+…+apyt.p2,
是为了统计分析方便.
其三,限定仇服从正态分布,是为了求极大似然估计方
2
便.限制£t~N(O,1),而不用Et-N(O,Q),是因为{q}满足标
准化的模型(0.11)式.
其四,限制a0>0,30,i=l,2,...,p,是为了保证条件
2
方差函数ht=S(yt.1,yt.2,—)>0-限制«o>O,而不是出现这
是为了保证模型(L5X1.6)有平稳解,否则,当a0=0时它没有
平稳解!这可从以下简单例子看出.考查如下ARCH(l)模
型:
2
ht=aiyt.i,
将它代入(1.5)式得
1/221/2
yt=ht£t=(aiyt-i)仇,
将它两边平方得
222
yt=aiyt.i£t,
将它两边取对数得
222
log(yt)=log(a1)+log(yt.i)+log(£t),(1.7)
2
记xt=log(yt),c=log(ai),币=1。8(为2)(仍为i.i.d.序列),上式为
Xt=C+Xtj+T|t,
这不是熟知的一元AR(1)模型吗?而且不满足平稳性条件!
所以,没有平稳解.从而模型(L5)也没有平稳解.
其五,为使ARCH模型有平稳解,对系数ai(i=l,2,...,p)
还要加限制.较早的限制(也是较强)是
ai+a2+・・・+apVl.(1.8)
在此条件下,不仅有平稳解,还有有穷二阶矩.后来,也有
人放宽条件,只保证有平稳解,不保证有有穷二阶矩.所有
这些结果的推理,都要用到非线性时间序列分析的新成果.
其六,Engle(1982)首次先提出ARCH模型时,使用了
如下叙述:
ytlyt-i,yt-2,...,yi-N(o,ht),(1.5)'
222
ht=ao+aiyt.i+ot2yt.2+«»«+otpyt.p,
a0>0,aj>0,i=l,2,...,p.
易见,(1.5),式与(1.5)式是等价的.
其七,ARCH模型有不同的变形形式.仿(1.7)式的做
法,即将(1.5)式两边平方,再将(1.6)式代入其中可得
222222
yt=ht8t=(ao+aiyt.i+ct2yt-2+«••+a,pyt-p)St
2222
=(a()+aiyt.i+012X1-2+...+apyt-P)(1+7-1)
222
=a0+aiyt.i+a2yt.2+...+apyt.p
+(£t2-i)(oto+otiyt-i2+oi2yt-22+««*+cipyt-p2)
222
=ao+aiyt-i+a2yt-2+.••+(xpyt-p+
222
=a0+aiyt.i+a2yt.2+...+apyt.p+wt,(1.9)
对序列旧2}而言,此式很像线性AR(p)模型,其中Wt=ht®2-1)
是一个平稳的鞅差序列,因为
E{wtlyt.i,yt-2?…}二
2
=E{ht(8t-l)lyt.i>yt-2>•••}
2
=E{ht£tlyt.byt-2,…卜E{htlyr,yt-2,…}
2
=htE{8tlyt.i,yt.2,...}-E{htlyt.byt.2,・・・}(依(1.6))
=ht-ht=0.(1.10)
用(1.9)式和线性AR(p)模型的求解方法,可得{y12}的平稳解.
但是,从原理上说,得到了{寸}的解,还不能说就得到了原
序列'}的解.好在当我们只关心人的条件方差时,有了旧2}
的解也足够用了.(L9)式的变形方式是严格的,可放心地使
2
用它.所谓使用它,就是将原数据平方后得到y?,y2,…,
YT2,对它们建立AR(p)模型,便得到参数的一种
估计.
如果对y,2=i1t1两边取对数可得
22
log(yt)=log(ht)+log(£t)
2222
=log(ao+aiyt.i+a2yt.2+•••+apyt.p)+log(£t)
222
记x(t)=log(yt),c=Elog(et),T|t=log(8t)-c,于是上式可写成
x(t4)x(t2)x(tp)
x(t)=c+log(ao+a1e+a2e'+...+ape-)+r|t.
于是又得到ARCH模型的另一种变形.此式是关于序列{x(t)}
的非线性自回归模型,注意,上式中的序列{m}是i.i.d.的.此
外,ARCH模型还有别的表示方法,不再一一介绍了.
其八,根据数据yi,y2,...,yT,要作自回归条件异方差模
型的统计分析,包含两项内容,首先是用假设检验方法,判
别这些数据是否有条件异方差条件性,即,S(yt.bytz…片常
数?如果是否定回答,第二项内容就是对ARCH模型未知
参数的估计.在第2节中,我们将介绍参数的估计方法,在
第3节中,介绍检验方法.
1.3.GARCH(GeneralizedARCH)模型:
在Engle(1982)提出ARCH模型后,受到应用者的关注,
特别是金融界.稍后几年,也被时间序列分析理论研究所重
视.从前面对新息序列{ej限制条件的放宽过程可见,提出
ARCH模型,无疑是对时间序列分析理论和应用研究有开拓
性的意义.在对ARCH模型的理论研究和应用中,人们自然
会发问:在(1.6)式中,人的条件方差
2222
S(yt-i>Yt-2>•••)=ht=ao+aiyt.i+oc2yt-2+«-+ctpyt.p>
只依赖于p个历史值,能否考虑依赖全部历史值的情况?
Bollerslev(1986)给出了回答,他提出了如下的更广的模型,
即GARCH模型:
1/2
yt=S(yt.byt-2,…)a三ht%,(ill)
222
ht=a()+aiyt4+a2yt.2+•••+apyt.p
+Blht/+…+”11卬(1.12)
a0>0,aj>0,i=l,2,...,p;Pj>0,j=l,2,...,q.(1.13)
其中{仇}为i.i.d.的N(0,7)分布,且&与{yt4,yt.2,...}独立.
对此GARCH模型作如下说明:
2
其一,利用(1.12)式反复迭代可得知,ht=S(yt.i,yt.2,...)
确实依赖序列的全部历史值,但是,%仅依赖有限个参数.
其二,在1997年诺贝尔经济学奖,被两位研究期权定价
理论的Black-Scholes方程的学者获得.从理论上人们发现,
Black-Scholes方程的解是连续时间变化的随机过程,对它进
行等间隔离散化采样,所得到的序列,恰好满足GARCH模
型.于是,GARCH模型更被认可,而且,金融界特别偏爱
GARCH模型.
其三,如前所述,(L13)式的条件a0>0,仍不能放宽为
a0>0.而且,(1.13)式中的条件。心0,i=l,2,...,p,还应附加一
个限制:ai+a2+...+ap>0,否则如果全部叫=0(i=l,2,...,p)将
导致(1.12)式的瓦为常数(仍用迭代法可证明).这一点未在文
献中指出,一个潜在原因是:应用者默认pNl,且ap>0.
其四,与对ARCH模型的说明中的其五很类似,为使
GARCH模型有平稳解,对系数ai(i=l,2,...,p)和除0,
j=l,2,...,q.还要加限制.较早的限制(也是较强)是
ai+・・・+ap+Bi+.・・+PqvL(1014)
在此条件下,不仅有平稳解,还有有穷二阶矩.其余的叙述
与ARCH情况相同,从略.
其五,统计问题.与对ARCH模型的说明中的其七很类
似.但是,它比ARCH模型要复杂些,具体如下:
22-
y,=htst=htht+ht(8tl)
222
=ao+aiyt-i+a2yt-2+•••+ocpyt-p+Piht.i4-...+pqht.q+Wt
222
=a0+a1yt.1+a2yt-2+...+apyt.p
2-2+2-2
+Plht.l(CMSt-l+l)«»«+Pqht-q(£t-lEt-q+l)+Wt
222
=Oo+aiyt.i+。2丫卜2+...+apyt.p
22
+Piht.1£t.1+...+pqht.q£t,q
-Plht-l(St-l2-l)-««•"Pqht-q(£t-q2-1)+Wt
222
=a<)+aiyt.i+0^-2+...+apyt.p
+Piyt-l2+«.«+Pqyt-q2_PlWt-l->»«_PqWt-q+Wt
22+2
=ao+(ai+pi)yt.i+(a24-P2)yt-2«»«+(^m+Pm)yt-p
-PlWt4-...-pqWt.q+Wt,(1.15)
其中m=max{p,q},而且,当k>p时ak=O;当k>q时限=0,
2
Wt=ht(£t-1).如前所述{Wj是平稳鞅差序列,所以,以上表
达式说明,{1}是由{wj驱动的平稳ARMA序列.以上模型
不仅表达了GARCH模型的结构特性,而且,依此可借助于
平稳ARMA序列建模方法,得到GARCH模型参数的一种
简单的估计方法.关于GARCH模型的参数估计和检验方
法,分别在第2节和第3节中介绍.
2.GARCH模型的参数估计
2.1.概述
在实际应用中,人们拥有序列观测值yi,y2,...,yn,如果
要为它们建立GARCH模型,将面对着下列问题:为什么要
建立GARCH模型?用多少阶数的模型?怎样获得模型的
参数值?回答了这些问题,就解决了为GARCH模型建模的
问题.前两个问题将在下一节中讨论,这一节只讨论模型的
参数估计问题,换言之,讨论在模型阶数已知时,如何根据
观测值勤超,…,yn,估计出GARCH(或者ARCH)模型的参
数.在统计学中有多种方法可以用来解决这一问题,这里只
介绍两种估计方法.一种是比较简单的方法,另一种是熟知
的极大似然估计方法.前一种估计可能不如后者精细,但是
它可作为用迭代法求取后者时的初始值.另外,对ARCH和
GARCH模型而言,它们的参数估计方法的难易程度有明显
差异,所以,我们将分别予以介绍.
2.2.ARCH模型的参数估计
2.2.1.最小二乘法估计
最小二乘法是非常熟悉的方法,此方法是基于最小二
乘原理。我们先指出在此可以使用此原理的依据,为此不
妨以ARCH(l)模型为例说明之。依(1.9)式知,满足ARCH(l)
模型的序列{yj必满足以下模型
22
yt=a0+aiyt.i+wt,(2.1)
其中{W#是鞅差序列,而且以=%(蜡.1),于是有
22
E{wtlyt4}=E{ht(£t-l)Iy/}
22
=htE{(8t-1)Iyt4)
2
=htE{8tIyt/}.ht
2
=htE{£t}-E
=ht-ht=0.(a.s.)(2.2)
利用此式可得知,
2-22222
E{ytao-aiyt-i}=E{ao+aiyt.i+wt-ao-aiyt.i}
22
=E{(a0-a0)+(ai-ai)yt-i+wt}
222
=E{(a()-ao)+(arai)yt-i}+E{wt}
2
+2E{[(a0-a0)+(arai)yt.i]wt}
222
=E{(a()-ao)+(arai)yt.i}+E{wt}
22
+2EE{[(a()-ao)+(arai)yt.i]wtlyt.i)
222
=E{(a()-ao)+(a「ai)yt.i}+E{wt}
22
+2EE{[(a()-ao)+(aj-ai)yt-i]E{wtlyt.i)
2
=E{(ao-a0)+(ar}(by(2.2))
2222
=E{(ao-ao)+(ai-ai)yt.i}+E{ht(st-1)}
22222
=E{(ao-ao)+(ai-ai)yt.i}+EhtE(st-l)
>Eht2E®2-l)2=c.(依平稳性)
易见,上式中的二号成立,当且仅当(Oo-ao)=(ai-ai)=0.此事
实表明,
222222
min{E(yt-a0-aiyt.i):ao,a1}=E{yt-ao-a1yt.i}.(2.3)
此式表明,用所有可能的系数拟合(2.1)模型时,只有以其真
系数拟合,才使拟合参差的方差最小!
在实际应用时,我们没有(2.1)式中的确切的概率分布,
但是,我们有序歹弘力}的观测数据y1,y如根据统计学
的基楚性原理一大数定律,(2.3)式的最小化特征,用样本平
均代替之,随着样本个数的增加将近似成立。换言之,求
解以下最小化问题之解,即
1n222
min{(n-l)Zt=2(yt-ao-aiyt.i):a0,ai)
1n222
=(n-l)-Zt=2(yt-a0*-a1*yt.1),
显然,此问题等价于如下的最小化问题
n222
min{Lt=2(yt-ao-aiyt.i):ao,aj
WtMZPtZaJaKt』?(2.4)
以其解(a。*,%*)作为真参数Mg)的估计,称它们为最小二乘
估计。这就是使用最小二乘原理的依据。
以上论述不难推广到一般的ARCH(p)模型,除了符号
的繁琐外,并无本质差异。这里只强调一点:对ARCH(l)
使用最小二乘原理时,残差项wt与yt.i相互独立且Ewt=O是
常见的条件,至少也要满足条件E{Wtlyt/}=O(a.s.)。这一点
对一般情况也适用。
现在介绍ARCH(p)模型参数最小二乘估计方法。首先重
新写出(1.9)式
2222
yt=a0+aiyt.i+a2yt-2+...+apyt.p+wt,
t=p+l,p+2,...,n.(2.5)
在此特别强调足标t的取值范围,只是为了模型中的yt子都
落在我们的数据序列中。依前所述,未知参数
Ct—9Otj9•••,Otp)
的最小二乘估计a*,就是如下的最小值问题的解,即
n22222
min{Zt=2(yt-ao-aiyt.i-a2yt.2-...-apyt-p):a0,ai,...,ap}
n2-22
=Et=2(yt^0-3iytJ...-apyt.p),(2.6)
x
取最小二乘估计a*=(a。*,a;,…,ap*)o
欲给出(ao*,a1*,…,ap)的表达方式,既可用分析方法,又
可用代数方法。现在使用后一方法,为此将(2.5)式改写成
Y=Xa+W,(2.7)
其中
2T
Y=(yp+/,yp+2:...,y,)\W=(Wp+]2,Wp+2)…,wn),
fi#…
x=;4'7*.
Jy«-i…yLp,
当以a=(a(),ai,a2,…,ap)二为自由参数向量时,于是有
V*n/2cc-a2c202\2
Xt=p+i(yt-aoiyt-i"azyt-iyt-P)
=IIY-Xall2=(Y-Xa)T(Y-Xa)
=YTY-YTXa-aTXTY+aTXTXa
=(XTXa-XTY)x(XTX)'1(XTXa-XxY)
+YTY-(XTY)T(XTX)-1(XTY)
>YTY-(XTY)T(XTX)-1(XTY),
其中用到了以下的矩阵性质
(XTXa-XTY)T(XTX)4(XTXa-XTY)>0.
由前一式可知,(2.6)式的最小值解必满足XTXa-XxY=O.现在
求解XTXa-XTY=O,即XTXa=XTY,其解为
a*=(XTX)-1XTY.(2.8)
注意,上式右边的矩阵X和向量Y,都是由已知数据量组成
的,计算(X、尸和(XtX)』X,,有许多软件可供使用.当然,
也可以自行编程序计算之.
自回归模型(L9)的系数的最小二乘估计,被(2.8)式明显
的表达出,而且便于计算.这一优越性是自回归模型所特有
的,因此,自回归模型在时间序列分析中问世最早.类似地,
Engel(1982)最先引入的条件异方差模型,又是自回归型的条
件异方差模型…ARCH模型,也是基于这一便于使用的优点.
稍后几年才由Bollerslev(1986)提出更一般的GARCH模型.
在时间序列分析中,自回归模型系数的最小二乘估计,
有很多优良性质,这已经被研究得很完美了.但是,将它用
于ARCH模型系数估计,这些优良性质不一定具有了.在
此,我们仅指它的优缺点.其优点是:易理解,易计算;缺
点是:欠精细,缺少某些优良性质.欠精细是相对极大似然
估计而言的,详见后文.缺少某些优良性质,是指在使用最
22
小二乘估计方法时,还需要条件E(yt)<oo,才具有相合性,
然而此条件对ARCH模型而言,太强了.此外,使用最小二
乘估计方法时,不能保证估计a*=(XtX)」X,Y的每个分量都
是非负的,尽管其真值都是非负的.当然,对其它估计也存
在同样的问题.
在此顺便指出,为了保证估计的每个分量都是非负的,
文献中有如下方法可用,即求如下的最小值问题的解,
n2222
min{Zt=2(yt-ao-aiyt-i-a2yt.2-...-apyt-P):
ao>O,ai>O,...,ap>O;(人之佻间山/也山』-…叫山丁)之0}
=Et=2n(yt2-ao+-ai+yt-i2-•••-ap+yt-p2)2,(2.9)
取估计a*=(a0+,aj,…,ap»。这里叙述此方法的目的有三点
可言,其一,这是最有效的保证估计的分量都是非负的;其二,
有多种方法可获得ARCH模型系数的估计;其三,除了最小二
乘估计,都不易计算,比如(2.9)式的求解问题,就是典型的优
化求解问题,其计算的复杂性可想而知.
2.2.2.极大似然估计
对于序列yi,y2,…,yn,如果它们的联合分布的形式已知,
其中只有有限个参数未知,那么,寻求合适的参数值,使得
其分布在这些观测值…,y0处达到最大值,称其为极大
概率估计方法.其合理性是不言而喻的.相对其它方法,可
算是精细些.当然,其前提是联合分布的形式已知的.进而
言之,如果已知联合分布密度函数时,使用上述的极大概率
估计方法,应改为寻求合适的参数值,使得其分布密度函数
在这些观测值yi,y2,...,y„处达到最大值,称其为极大概率密
度估计方法.此情况有更广的应用背景,ARCH模型数估计
就属于此情况.再进一步,如果已知联合分布密度函数呈现
指数形式,改为寻求合适的参数值,使得其分布密度函数的
对数函数(此函数被称为似然函数),在这些观测值yi,y2,...,yn
处达到极大值,称其为极大似然估计方法.用极大化似然函
数代替分布密度函数,只是讨论和应用时有方便之处,并无
本质区别.极大化似然方法是统计学中熟知的,重要的方法.
依上所述,使用极大似然估计方法,有两个关键步骤:
一是,找出y1,y2,…,yn的联合分布密度函数,它仅依赖有限
个未知参数,由此易得其似然函数;二是,寻找使似然函数
达到极大值的参数,即参数的极大似然估计.一般说来,第
一步仅是细心的推理,第二步是精心的计算,而且常常要使
用近似的迭代算法.以下介绍ARCH模型参数的极大似然
估计,就要对此两步作具体叙述.
第一步:根据ARCH模型的假定,再使用条件概率密
度的公式可得知,yi,y2,...,yn的联合分布密度函数
f(yi,y2,・・・,yn)=f(Y),丫=。1,丫如..,丫),
有以下表达式
f(Y)=f(yi,y2,...,yn)
=f(yniyi,y2,…,yQKyiM,…,y%i)(依条件密度公式)
1/22
=(27ihn)-exp{-yn/2hn}f(yi,y2,...,yn.i)
(依(L5)式和q~N(0,1),且如与{yn』,y>2,…}独立)
二(cto+aiyn-i+...+otpyn.p)
222
xexp{-yn/2(a0+aiyn.1+...+apyn.p)f(yby2,.•.,yn-i)
(依(1.6)式)
n))
t=p+i(ctfl+aiyt-i+...+ay.p)'exp{-y/2(a+aiy.i+...+ayt.)}
nptt0tpp
(np)/2
xf(yi,y2,...,yP)(27r)-'.(依反复递推)(2.10)
记其对数函数为
L(a)=logf(yby2,...,yn)
n,+22222
=-(l/2)Zt=p+i{og(aoaiyt-i+...+apyt.p)+yt/(ao+aiyt.i+...+apyt.p)}
(np)/2
+logf(y1,y2,...,yP)+Iog(27r)--.(2.11)
忽略上式中的常数项和常数因子-(172),再记
n
l(a)=Zt=P+ilt(a)-logf(yi,y2,…,yp),(2.12)
其中
22222
lt(a)={log(ao+aiyt-i+...+apyt.p)+yt/(ao+aiyt.i+...+apyt.p)}.
显然,1(a)与L(a)只相差常数加项,所以,求解L(a)的最大值
解,等价于求解1(a)的最小值解.以后我们总是考虑后者.
在上述诸式中,f(yi,y2,…,yp)是yi,y如..,yp的联合分布密度函
数,为了使用极大似然估计方法,也应当将它表达成依赖于
yi,y2,…,yp和…,ap的明确形式.这不是一件容易的事情!
仅以P=1为例,即可说明其难点所在.此时只须求出y0和yi
所满足的共同的分布密度数,并使得它们满足关系式
yi=(CQ)+otiyo2)1/2£b£t~N(0,1),且7与yo独立.
此问题看似简单,但是很难解答.举此例的目的,还在于提
请注意,当a~N(0,1)时,由它驱动生成的平稳AR序列也是
正态分布的,但是,由它驱动生成的平稳ARCH序列不是正
态分布的.因为,在AR模型中,生以加项形式出现,在
ARCH模型中,q以乘积因子形式出现(见(L5)式).然而,在
(2.10)式中,人们容易误以为f(y1,y2,…,yn)是正态分布的连乘
积形式,所以它是多元正态密度.其实,因子f(yi,y2,...,yp)不
是正态的密度函数(这一点容易被忽视),所以f(yi,y2,…,yj
也不是正态的.
第二步:寻求极大似然估计,就是寻求使(2.11)式中
L(a)取最大值的a,等价于寻求使(2.12)式中1(a)取最小值的
a.很明显,此极大似然估计没有如同(2.8)式的显示表达式,
于是只能寻找近似的数值解法.由于1(a)有很好的解性质,
求(2.12)式中1(a)的最小值,可求Al(a)/aa=O的解.即使如此,
也还很难求解.进一步还要使用其它近似手段,即将未知项
logf(yi,y2,.-.?yP)
从(2.12)式中忽略掉,寻求
n
Zt=p+1ait(a)/aa=O(2.13)
的解,其中
ait(a)/aa=aiog(ao+aiyt「+…+apyt-p2)/aa
222
+5{yt/(ao+aiyt-i+...+apyt.p))/5a.(2.14)
请注意,ait(a)/3a是向量,所以(2.13)式是(p+D元代数方程组,
利用(2.14)式很容易求得砥⑹/布的表达式,而且砥(a)/3a
有很简单的形式,但是,它是非线性的,所以(2.13)式是(p+1)
元非线性代数方程组.求(2.13)式的数值解法,是计算数学
中的简单问题,即可使用已有的软件,亦可自行编程计算,
这里从略.
2.3.GARCH模型的参数估计
2.3.1.极大似然估计
在这一小节,先介绍极大似然估计,因为这与前面联系
紧密.如前所述,GARCH模型的参数估计,要比ARCH模
型复杂.其复杂性表现在:GARCH模型的参数估计不仅没
有显示的表达式,而且,其似然函数也没有显示的表达式,
只有迭代计算公式.这一特点,对求解极大似然估计的算法,
不带来实质困难,但是在叙述它时,会繁琐些.
现在叙述GARCH模型似然函数.仿照(2.10)式可得
f(Y)=f(yi,y2,...,yn)
=f(yiJyn-l,”,yn-p;hn.q+i)f(yn.i,..,yn.pjhn,...9hn.q+j)
=
(2兀hn)exp{~yn/2hn}f(yn-l,”,yn-p;hn.q+i)
n1/22
=nt=i(27iht)'exp{-yt/2ht}f(y0,..,y-P+i;h,q+2).
(2.15)
仿照(2.12)式又有
n
l(0)=Zt=P+ilt(0)+logf(y0,..,y-P+i;%,...,h.q+2),(2.16)
其中
2
lt(6)=loght+yt/ht,
e=(a0,ai,...,cip;Bi,...,0q)•
再仿照(2.13)式和(2.14)式,在求解GARCH模型参数的极大
似然估计时,近似为求解如下的方程组之解,即
n
Zt=P+iait(6)/50=0(2.17)
的解,其中
2
ait(e)/ao=aioght/ae+a(yt/ht)/ao
42
=ht(aht/a0)(l-yt/ht).(2.18)
在以上各式中,虽然都是明确的表达式,但是,(dh/朋)尚未
被表达出来,实际上无法用显式表达它.幸运的是,它有递
推关系式可利用.在设计求解方程(2.17)式时,有递推关系
式也足够了.记
Zt=(l,yt-i,Yt-2,…,Yt-p;ht”,11卜2,…,hjq),
于是可得出(Sh/8。)的递推关系式如下
q
5ht/ao=zt+zk=1pk(aht.k/a0).(2.19)
虽然有(2.19)式可用,但是,此迭代公式的初始值
西/38,而阳仇...,dh.q+2/do
仍然未有明显表达式.在实际应用时,常用零值作为它们的
近似值使用,于是可求得近似的极大似然估计值.当然,求
解过程又常用迭代算法,这里从略.
2.3.2.最小二乘估计
对GARCH模型参数使用最小二乘估计方法,也同样遇
到像极大似然估计类似的麻烦.在此,我们推荐使用平稳的
ARMA模型参数的矩估计方法.细节可参看有关著作.尽管
如此,当q值较大时,其算法也不比极大似然估计更方便.
所以,最多使用的仍是极大似然估计方法.
3.模型检验
根据观测数据yi,y2,...,yn,判断所要拟合的模型是否适
用,称为模型检验.在为数据1,丫2,…,yn建立模型时,一般都
应当进行模型检验.对于GARCH模型也不例外.所谓模型
检验,有在建立模型前进行的,有在之后进行的.对于
GARCH模型来说,在为数据yi,y2,…,yn建立GARCH模型
前,首先应当判断有没有必要.如前言所说到,平稳序列的
条件方差S(yt,y』...)可能是常数值,此时就不必建立
GARCH模型.于是判断条件方差S(yt,yt」,…)是否为常数,
就应当在建模前完成.即使经判断后,条件方差不是常数,
它也未必满足GARCH模型.然而目前GARCH模型是比较
熟知的条件异方差模型,所以常用它来近似拟合观测数据.
那么,在建模后还应当对所得到的模型进行检验,以判断其
是否可接受.在建模前和后所进行的模型检验,其方法不一
定相同.建模后使用的模型检验方法,还可作为确定
GARCH模型阶数的辅助手段.以下分别介绍.
3.1.条件异方差性检验
在这一小节里,我们仍考虑{yj为鞅差序列的情况,也
就是(0.12)式中的6y7,ytz…)=0的情况,即
yt=s(yt』,yt-2,…)仇,(3.1)
其中{仇}为标准化的鞅差序列,即
E®iyt-i,yt-2,…)=0,E&lyt-i,yt-2,…)=L
考查(3.1)式两边平方的模型
222
yt=s(yt.byt-2v-)£t,
当S(y』yt.2,…)为常数时,不妨记为d即
22
E{ytlyt.byt-2v-}=S(yt.i,yt-2,...)=(3.2)
此时(3.1)式可写成
222
yt=o£t.(3.3)
于是又有
2222
yt-Q=Q(£t-l).(3.4)
此时我们还发现
222222
E{(yt-CT)lyt-i,yt.2v..}=E{ytlyM,yt.2,...}-CT=CT-O=0,
这说明{yt2PB也是鞅差序列.还容易看出,如果{M}是任意
22
一个鞅差序列,且Eyt=c,也2pB未必是鞅差序列.但是从
上式不难看到,当且仅当(3.2
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2024届高考语文复习:满分作文赏析+课件
- 丝丽532动能素产品介绍
- 秋季呼吸道传染病防治知识:海运篇
- 房地产拓客十二式:拓展高端客户
- 妊娠期高血压疾病孕期锻炼试卷
- 经济作物种植承包合同
- 2023-2024学年浙江省杭州市七年级下册数学期末模拟卷
- 冷疗法在骨科慢性疼痛管理中的效果
- 医院感染控制经验分享培训
- 塑料加工废水处理培训资料
- 类脑计算与神经网络
- 【高中语文】《迷娘(之一)》课件28张+统编版+选择性必修中册
- 2023年兰州财经大学教师招聘考试笔试题库及答案
- 体外膜肺氧合(ECMO)技术临床应用管理规范
- 民诉模拟法庭剧本
- (新版)人工智能训练师考前必备试题库(浓缩400题)
- 美团外卖店转让协议
- 空调压缩机维修方案
- 2023年上海中考考纲词汇完整版Word版
- 中国世界文化遗产资料1000字
- 《创新创业基础-理论、案例与训练》教案 第10课 选择商业模式
评论
0/150
提交评论