第十八章ARCH和 GARCH估计 EViews中的大多数统计工具都是用来建立随机变量的条件均值模 型。本章讨论的重要工具具有与以往不同的目的建立变量的条件 方差或变量波动性模型 我们想要建模并预测其变动性通常有如下几个原因:首先,我们 可能要分析持有某项资产的风险;其次,预测置信区间可能是时变性 的,所以可以通过建立残差方差模型得到更精确的区间;第三,如果 误差的异方差是能适当控制的,我们就能得到更有效的估计
1 第十八章 ARCH和GARCH估计 EViews中的大多数统计工具都是用来建立随机变量的条件均值模 型。本章讨论的重要工具具有与以往不同的目的——建立变量的条件 方差或变量波动性模型。 我们想要建模并预测其变动性通常有如下几个原因: 首先，我们 可能要分析持有某项资产的风险；其次，预测置信区间可能是时变性 的，所以可以通过建立残差方差模型得到更精确的区间；第三，如果 误差的异方差是能适当控制的，我们就能得到更有效的估计
自回归条件异方差( Autoregressive Conditional Heteroscedasticity Model,ARCH模型是特别用来建立条件方差模型并对其进行预测的 因变量的方差被作为因变量的滞后值和自变量或外生变量的函数来建立 模型 ARCH模型是1982年由恩格尔( Engle,R.)提出,并由博勒斯菜文 ( Bollerslev,T,1986)发展成为 GARCH( Generalized arch)广义自回 归条件异方差。这些模型被广泛的应用于经济学的各个领域。尤其在金 融时间序列分析中。 按照通常的想法,自相关的问题是时间序列数据所特有,而异方差 性是横截面数据的特点。但在时间序列数据中,会不会出现异方差呢? 会是怎样出现的?
2 自 回 归 条 件 异 方 差 (Autoregressive Conditional Heteroscedasticity Model， ARCH)模型是特别用来建立条件方差模型并对其进行预测的。 因变量的方差被作为因变量的滞后值和自变量或外生变量的函数来建立 模型。 ARCH模型是1982年由恩格尔(Engle, R .)提出，并由博勒斯莱文 (Bollerslev, T., 1986)发展成为GARCH (Generalized ARCH)——广义自回 归条件异方差。这些模型被广泛的应用于经济学的各个领域。尤其在金 融时间序列分析中。 按照通常的想法，自相关的问题是时间序列数据所特有，而异方差 性是横截面数据的特点。但在时间序列数据中，会不会出现异方差呢？ 会是怎样出现的？
恩格尔和克拉格(Krat,D,1983)在分析宏观数据时,发现这样 些现象:时间序列模型中的扰动方差稳定性比通常假设的要差。恩格尔 的结论说明在分析通货膨胀模型时,大的及小的预测误差会大量出现, 表明存在一种异方差,其中预测误差的方差取决于后续扰动项的大小 从事于股票价格、通货膨胀率、外汇汇率等金融时间序列预测的研 究工作者,曾发现他们对这些变量的预测能力随时期的不同而有相当大 的变化。预测的误差在某一时期里相对地小,而在某一时期里则相对地 大,然后,在另一时期又是较小的。这种变异很可能由于金融市场的波 动性易受谣言、政局变动、政府货币与财政政策变化等等的影响。从而 说明预测误差的方差中有某种相关性 为了刻画这种相关性,恩格尔提出自回归条件异方差(ARCH)模型 ARCH的主要思想是时刻t的u的方差(=∞2)依赖于时刻(t1)的平方误 差的大小,即依赖于
3 恩格尔和克拉格（Kraft, D., 1983）在分析宏观数据时，发现这样一 些现象：时间序列模型中的扰动方差稳定性比通常假设的要差。恩格尔 的结论说明在分析通货膨胀模型时，大的及小的预测误差会大量出现， 表明存在一种异方差，其中预测误差的方差取决于后续扰动项的大小。 从事于股票价格、通货膨胀率、外汇汇率等金融时间序列预测的研 究工作者，曾发现他们对这些变量的预测能力随时期的不同而有相当大 的变化。预测的误差在某一时期里相对地小，而在某一时期里则相对地 大，然后，在另一时期又是较小的。这种变异很可能由于金融市场的波 动性易受谣言、政局变动、政府货币与财政政策变化等等的影响。从而 说明预测误差的方差中有某种相关性。 为了刻画这种相关性，恩格尔提出自回归条件异方差（ARCH）模型。 ARCH的主要思想是时刻 t 的 的方差（= ）依赖于时刻(t-1)的平方误 差的大小，即依赖于 。 t u 2 t 2 t−1 u
为了说得更具体,让我们回到k变量回归模型 y,=youyi + tur 并假设在时刻(4-1)所有信息已知的条件下,扰动项的分布是 a +a,u 也就是,遵循以0为均值,(a0+a2)为方差的正态分布。 由于(2)中u的方差依赖于前期的平方扰动项,我们称它为ARCH(1) 过程: Va(1)=a2=a0+a1l 然而,容易加以推厂
4 为了说得更具体，让我们回到k -变量回归模型： (1) 并假设在时刻 ( t-1 ) 所有信息已知的条件下，扰动项 的分布是： ~ (2) 也就是， 遵循以0为均值， 为方差的正态分布。 由于（2）中 的方差依赖于前期的平方扰动项，我们称它为ARCH(1) 过程： 然而，容易加以推广。 t t k k t ut y = 0 + 1 x1 ++ x + ut (0 ,( )) 2 0 + 1 t−1 N u ( ) 2 0 +1 ut−1 ut ut 2 0 1 1 2 var( )t = t = + t− u u ut
例如,一个ARCH(p)过程可以写为 O,=C+C1l.1+,l.,+……+C (3) 如果扰动项方差中没有自相关,就会有H021=c2 0 这时va(u2) 从而得到误差方差的同方差性情形 恩格尔曾表明,容易通过以下的回归去检验上述虚拟假设: (4) 其中,讠表示从原始回归模型(1)估计得到的OLS残差
5 例如，一个ARCH (p)过程可以写为： （3） 如果扰动项方差中没有自相关，就会有H 0： 。 这时 ，从而得到误差方差的同方差性情形。 恩格尔曾表明，容易通过以下的回归去检验上述虚拟假设： （4） 其中， 表示从原始回归模型（1）估计得到的OLS残差。 2 2 2 2 2 0 1 1 2 ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ut = + ut− + ut− ++ p ut− p ut ˆ 2 2 2 2 2 0 1 1 2 t t t p t p u u u = + − + − ++ − 1 = 2 == p = 0 0 2 var(ut ) = =