跳转到主要内容
V-Lab
V-Lab

指数GARCH模型

定义

考虑一个收益率时间序列rt=μ+εt,其中μ是期望收益率,εt是均值为零的白噪声。尽管序列之间不相关,εt不需要序列独立。例如,它可能呈现条件异方差性。指数GARCHEGARCH模型为这种条件异方差性假设了特定的参数形式。更具体地说,如果我们可以写成εt~EGARCH,那么我们说εt=σtzt,其中zt是标准高斯分布:

ln σt2 = ω + α zt-1 - 𝔼 zt-1 + γ zt-1 + β ln σt-12

估计

V-lab利用最大化对数似然法自动估计所有参数 ω,α, γ,β ,并将期望收益率设为零。假设zt是正态分布并不意味着收益率服从正态分布。即使他们的条件分布为正态分布,我们可以证明他们的无条件分布呈现超值峰度(厚尾分布)。事实上,条件分布为正态分布的假设限制性并不强:即便真实分布并非正态分布,在相当宽松的条件下,使用不正确的高斯似然函数而得到的最大似然估计仍是真实参数的一致估计,即「准最大似然估计」。

除了收益率的厚尾属性,EGARCH模型同GARCH模型一样,能够捕捉金融时间序列的其他特点,例如波动率聚类。如果t时的波动率很高,t-1时的波动率也会很高。用另一种方式可以理解为,在t-1时间的冲击也会影响到t时的方差。

EGARCH模型不需要对参数设定任何限制条件,因为此公式使用的是方差的对数而不是方差本身,因此方差为正的条件被自动满足,这也是EGARCH模型主要的优势。普遍来讲,在非限制条件下使用最大似然法估计使优化速度更快并且优化结果更可靠。

预测

rT为样本中的最后一个观测值,并且ω^,α^,γ^和β^分别为ω,α,γ和β的最大似然估计值。V-Lab 在预测方差的对数时,将每个未来冲击替换为其期望值,即𝔼[z]=0和𝔼|z|=2π,因此冲击项消失。对于h≥2,方差的预测值为:

lnσ^T+h2=ω^+β^lnσ^T+h-12,σ^T+h2=(σ^T+12)β^h-1exp(1-β^h-11-β^ω^)

这是将方差对数的预测值还原为方差。由于指数函数是凸函数,该预测值低于条件期望𝔼[σT+h2|rT,rT-1,…],且按百分比计算的差距随预测期限的增加而扩大。当h增大时,预测值收敛于exp(ω^1-β^)。

利用这一递推公式,我们能够对任何时间范围h内的条件波动率进行预测。那么T+h时刻的复合波动率的预测值为:

σ^T+1:T+h=∑i=1hσ^T+i2

比较EGARCH与GARCH模型

EGARCH模型能够捕捉一个GARCH模型不能捕捉到的实证现象,即t-1时刻的负面冲击比正面冲击对t时刻的方差有更强烈的影响。这一不对称现象被成为杠杆效应,因为增加的风险被认为是来自于增加杠杆引起的负面冲击,不过最近这种效应已经微不足道。注意到描述负面冲击的有效系数为γ-α,对比描述正向冲击的有效系数为γ+α。在金融时间序列中,我们普遍观察到γ是负值且在统计上显著。

EGARCH(p,q)

上文所提到的模型可以包括更多滞后变量来描述条件波动率。EGARCH(p,q)模型假设:

ln σt2 = ω + ∑ i=1 p αi zt-i - 𝔼 zt-i + γ i zt-i + ∑ j=1 q βj ln σt-j2

我们可以通过贝叶斯信息准则BIC(亦成为施瓦茨信息准则SIC)或赤池信息准则AIC来选择最佳模型(p和q)。前者比后者更加简洁。V-Lab采用p=1和q=1,因为这通常是最适合金融时间序列的选项。

参考文献

Bollerslev, T., 2008. Glossary to ARCH (GARCH). CREATES Research Paper 2008-49.

Nelson, D. B., 1991. Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica 59: 347-370. https://www.jstor.org/stable/2938260

Tsay, R. S., 2005. Analysis of Financial Time Series — 2nd Ed. Wiley-Interscience.