MF2-GARCH
定义
考虑一个返回时间序列,其中是预期返回,是一个均值为零的白噪声。尽管序列彼此不相关,系列不需要序列独立。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,其中是标准高斯语:
和是一个GJR-GARCH的组成部分,和:其中
表示GARCH组件在时刻的标准预测误差添加此项的想法是为了获取波动率中较低的频率变化。长期分量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。我们将视为对过去天内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,则会缩放条件波动率。数字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。假设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.
通常对参数的限制是, , , , , , 和.
预测
假设是样本中的最后一个观察值,假设, , , , , 分别是参数, , , , , 的QML估计量。MF2-GARCH模型表明,在时对条件方差的预测为:
由于短期和长期成分之间的相关性,在时间处的条件方差的预测不是由给出的,而是需要按照Conrad和Engle(2021)的描述进行递归计算。然后,在时间时的复合波动率的预测为
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