内容发布更新时间 : 2024/5/15 6:20:20星期一 下面是文章的全部内容请认真阅读。

ARCH建模及SAS实现

一．Arch模型

Arch模型即自回归条件异方差模型，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规律时提出ARCH模型，其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。

1. 金融时间序列的异方差性特征

金融时间序列，无恒定均值(非平稳性)，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；具有明显的异方差(方差随时间变化而变化)特征：

尖峰厚尾：金融资产收益呈现厚尾和在均值处呈现过度波峰； 波动丛聚性：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：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。

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时间序列数据。

2. ARCH(p)模型 考虑k变量的回归模型

yt??0??1x1t????kxkt??t

若残差项?t的均值为0，对yt取基于t-1时刻信息的期望：

Et?1(yt)??0??1x1t????kxkt

该模型中，yt的无条件方差是固定的。但考虑yt的条件方差：

var(yt|Yt?1)?Et?1(yt??0??1x1t????kxkt)2?Et?1?t2

其中，var(yt|Yt?1)表示基于t-1时刻信息集合Yt-1的yt的条件方差，若残差项?t存在自回归结构，则yt的条件方差不固定。

假设在前p期所有信息的条件下，残差项平方?t2服从AR(p)模型：

?t2????1?t2?1????p?t2?p??t (*)

其中?t为0均值、??2方差的白噪声序列。则残差项?t服从条件正态分布：

?t~N?0,???1?t2?1????p?t2?p?

残差项?t的条件方差：

var(?t)??t2????1?t2?1????p?t2?p

由两部分组成：

（1）常数项?；

（2）ARCH项——变动信息，前p期的残差平方和??i?t2?i

i?1p注：未知参数?0,?1,?,?p和?0,?1,?,?k利用极大似然估计法估

计。

方差非负性要求?0,?1,?,?p都非负。为了使?t2协方差平稳，需进一步要求方程

1??1z????pzp?0

的根都位于单位圆外。若?i都非负，上式等价于?1????p?1.

注：若扰动项的条件方差不存在自相关，则有?1????p?0，此时var(?t)??0，即残差的条件方差同方差性情形。

3. GARCH(p,q)模型

ARCH(p)模型在实际应用中，为了得到较好的拟合效果，往往需要很大的阶数p，从而增加了待估参数个数、引发多重共线性、非限制估计违背?i非负性要求。

1986年，Bollerslev将ARCH(p)模型推广为广义自回归条件异方差模型GARCH(p, q)：残差?t的条件方差表示为

var(?t)????????2ti?1p2it?i???i?t2?i

i?1q由三项组成，

（1）常数项?； （2）ARCH项；

（3）GARCH项——前q期预测方差??i?t2?i.

i?1p注：未知参数用极大似然法估计，通常残差的假设分布有正态分布、t分布、广义误差分布；该模型也要求?i,?i非负；若要求是平稳