arch模型(編輯修改稿)
2025-03-28 23:46 本頁面
【文章內(nèi)容簡介】 ( 1 L ) d [ 1+ ? ( L ) ] f ( ut 1) f ( ut) = ? ut+ ? [ ? ut ? E ? ut ? ] ， E[ f ( ut) ] = 0 ? d ? ? 時 ， FI E G A R C H 具有二階平穩(wěn)性和可逆性。此模型既具有 E G A R C H 模型特點。負(fù)沖擊似乎比正沖擊更容易增加波動，又具有長記憶性。 （ 8 ） P o w er A R C H / GARCH （ P A R C H ， P G A R C H ） 模型 ( 冪 A R C H / G A R C H 模型 ) ???????????qjkjtjkitipiitiktuu110)( ?????? 其中 k 0, ? ?i ? ? 1, i = 1, 2 , … , r 。對于 i r , 有 ?i = 0 。對 r 的約束是 r ? p 。參數(shù) ?i用來考查 1 ? r 期的非對稱性。如果是對稱的，對于全部的 i ，有 ?i = 0 。 注意：（ 1 ）如果 k = 2 ， ?i = 0 ，（對于全部的 i ）。 P A R C H 模型 退化為 G A R C H 模型。（ 2 ）如果 ?i ? 0 ，說明系統(tǒng)存在杠桿效應(yīng)。 序列的特征是 “ 波動集群 ” 、分布是 “ 高峰厚尾 ” 864202462 0 0 4 0 0 6 0 0 8 0 0 1 0 0 0 1 2 0 0 1 4 0 0D ( J P Y ) (1 9 9 5 2 0 0 0 )日元兌美元匯率差分序列（收益） D(JPY) 高峰厚尾 分布特征示意圖 高峰厚尾 分布曲線 正態(tài) 分布曲線 ARCH， GARCH模型可以預(yù)測被解釋變量的方差。對于金融時間序列預(yù)測的是風(fēng)險。 建立 ARCH， GARCH模型可以提高均值方程參數(shù)估計的有效性。 案例：深圳綜指的建模研究 選取深圳綜指 交易日收盤價 P（共 544個有效樣本數(shù)據(jù)）作為樣本序列。 用深圳綜合指數(shù)收益率 Rt=ln( pt/pt1)建立時間序列模型（共 543個有效樣本數(shù)據(jù)） 。 Rt描述性統(tǒng)計（尖峰厚尾） 深證綜指日收益率峰度為 ，高于正態(tài)分布的峰度值 3，說明深證綜指具有一定的尖峰厚尾的特征， JB檢驗也證實了深證綜指日收益率的分布顯著異于正態(tài)分布。 ViewDescriptive StatisticsHistogram and Stats 平穩(wěn)性檢驗 如果變量的時間序列是非平穩(wěn)的，即使使用最小二乘法擬合模型的效果很好，建立的模型也可能由于序列的非平穩(wěn)性而導(dǎo)致偽回歸。因此，有必要在對時間序列分析前，先對序列的平穩(wěn)性進行檢驗。 Quickseries statisticsunit root test 平穩(wěn)性檢驗結(jié)果 單位根檢驗 平穩(wěn)性檢驗結(jié)論 在 1%、 5%、 10%的顯著性水平之下，都拒絕有一個單位根的假設(shè)，說明深證綜指收益率 平穩(wěn) 。 這個結(jié)果與國外學(xué)者對發(fā)達成熟市場波動性的研究一致： 金融資產(chǎn)
公司管理相關(guān)推薦
鄂ICP備17016276號-1