跳转到主要内容
V-Lab
V-Lab

MF2-GARCH

定义

考虑一个返回时间序列rt=μ+ϵt,其中μ是预期返回,ϵt是一个均值为零的白噪声。尽管序列彼此不相关,系列ϵt不需要序列独立。例如,它可以代表条件异方差性。多因子混频GARCH (MF2-GARCH)模型假设这种条件异方差具有特定的参数形式。更具体地说,如果我们能写ϵt~MF2-GARCHϵt=σt2τtzt,其中zt是标准高斯语:

σt2=1-α-γ/2-β+α+γIt-1εt-12τt-1+βσt-12和It-1≔{0if rt-1≥μ1if rt-1<μ是一个GJR-GARCH的组成部分,和:τt=λ1+λ2Vt−1m+λ3τt−1其中Vt−1m=1m∑j=1mVt-j

Vt-j=εt-j2/σt-j2表示GARCH组件在时刻的标准预测误差t-j添加此项的想法τt是为了获取波动率中较低的频率变化。长期分量τt的确定是基于经验观察,即当以较低的频率取平均值时,GARCH模型的某一组件的每日标准预测误差是可以预测的。我们将Vt−1m视为对过去m天内GARCH组件的平均预测性能的滚动窗口度量。因此,如果最近GARCH组件波动率被低估/高估,则τt会缩放条件波动率。数字m是通过最小化贝叶斯信息标准(BIC)来选择的,也被称为Schwarz信息标准(SIC)。

估计

V-Lab通过最大化对数似然来同时估计所有的参数αγβλ1λ2λ3。假设zt是高斯的并不意味着收益是高斯的。即使它们的条件分布是高斯分布,但也可以证明它们的无条件分布具有过多的峰度。事实上,假设条件分布是高斯分布,似乎并不那么严格:即使真实分布不同,在相当宽松温和的正则条件下,所谓的QML估计量仍然是一致的。

除了Leptokurtic收益外,MF2-GARCH模型(作为GJR-GARCH模型)还捕获了金融时间序列中的其他程式化事实,如波动率聚类和非对称性。GJR-GARCH模型实际上是MF2-GARCH的受限制版本,具有λ2=λ3=0.

通常对参数的限制是α>0, β>0, α+β<1, α+γ>0, λ1>0, λ2>0, λ3>0和λ2+λ3<1.

预测

假设rT是样本中的最后一个观察值,假设α^, γ^, β^, λ^1, λ^2, λ^3分别是参数α, γ, β, λ1, λ2, λ3的QML估计量。MF2-GARCH模型表明,在T+1时对条件方差的预测为:

σ^T+12τ^T+1.

由于短期和长期成分之间的相关性,在时间T+i处的条件方差的预测不是由σ^T+i2τ^T+i给出的,而是需要按照Conrad和Engle(2021)的描述进行递归计算。然后,在时间T+h时的复合波动率的预测为

∑ i=1 h 𝔼T σ T+i 2 τ T+i ^

链接到 MATLAB 的 MF2-GARCH 工具箱: https://github.com/christian-conrad/mf2garch

参考文献

Conrad, C., and R.F. Engle, 2025. "Modelling volatility cycles: The MF2-GARCH model." Journal of Applied Econometrics. Available at: https://doi.org/10.1002/jae.3118