8.10. garch-morenn
8.10. garch-morenn
Здесь мы отметим еще один тип моделей временных рядов со специфической зависимостью ошибок регрессии.
(8.59)
(8.60) (8.61)
Пусть xt и yt — стационарные временные ряды, t= 1,..., п. Рассмотрим регрессионную модель
yt =рх,+Є, , удовлетворяющую следующим условиям:
Мє,_,(є,)=0;
где Дм(є/)=а0+а1а/2_1,
Очевидно, условие (8.61) означает, что большее отклонение от объясненного (прогнозируемого) значения в предыдущем наблюдении приводит к большей вероятности значительного отклонения также и в последующем наблюдении.
Исследования показывают, что подобные явления часто наблюдаются аналитиками финансового рынка: периоды «затишья», когда финансовые показатели лишь незначительно колеблются вокруг среднего, чередуются с периодами «всплеска», характеризующимися широким размахом значений тех же показателей. На рис. 8.3 приведен примерный график подобных наблюдений.
Обратимся к условиям (8.60), (8.61). Из (8.60) следует, что Кє/-ьє/)=0, т* е* автокорреляция остатков отсутствует. Из этого же условия следует, что
/>(е/) = А/(Ам(е/)),
или /)(є,) = a0 + с^є2., .
Если £>(є,) = -^-,
1-aj
то я(є,) = £>(є,_,)
и безусловная дисперсия ошибок регрессии постоянна, т. е. модель гомоскедастична.
Уг
• • • •
• • •
• • • • • •
• • •
• • •
1 ►/
о
Рис. 8.3
В то же время соотношение (8.61) означает, что имеет место условная гетероскедастынность ошибок регрессии. Модель, удовлетворяющая условиям (8.60), (8.61), называется авторегрессионной условно гетероскедастинной моделью, или ARCH-моделью (AutoRegressive Conditional Heteroskedastic model).
Эта модель допускает обобщения. Если вместо условия (8.61) вводится условие
А,_! ...*,.р (Є' ) = a0 + al£?-l + + ар*1р,
то модель называется ARCH(p) (арч-модель р-то порядка). Рассматриваются также более общие формы зависимости условной дисперсии ошибок, а именно зависимости следующего вида:
( р q
D*t-i ~*t-P Vе') = ao + Z a/e?-/ + Z Y/a?-/ •
/=і /=i
Соответствующая модель называется обобщенной авторегрессионной условно гетероскедастинной моделью (Generalited AutoRe-gressive Conditional Heteroskedastic model) порядков p и q, или GARCH (p, q).
Как же определить, имеется ли в модели условная гетероске-дастичность? Как и в случае проверки гипотезы об отсутствии обычной гетероскедастичности, вместо ненаблюдаемых величин — ошибок регрессии — рассматриваются остатки. К модели (8.59) применяется обычный метод наименьших квадратов, выбирается порядок р и рассматривается регрессия
е} =ao+a;e2_j + ... + а'реД.р.
Если при этом гипотеза о незначимости регрессии отвергается, то можно считать, что имеется Л/?С#(/?)-модель.
Модели ARCH и GARCH удовлетворяют всем условиям классической модели, и метод наименьших квадратов позволяет получить оптимальные линейные оценки. В то же время можно получить более эффективные нелинейные оценки методом максимального правдоподобия. В отличие от модели с независимыми нормально распределенными ошибками регрессии в ARCH-модели оценки максимального правдоподобия отличаются от оценок, полученных методом наименьших квадратов.
Например, для ARCH{ 1)-модели логарифмическая функция правдоподобия имеет вид:
2 ,=i 2 ы a0 + OLef_x
Ее минимизация с получением соответствующих оценок называется оцениванием модели методом ARCH. Соответствующая процедура присутствует в эконометрических пакетах. При ее компьютерной реализации требуется указать порядок модели.
Использование ARCHи <24/?С7/-моделей оказывается в ряде случаев экономико-математического моделирования (например, процессов инфляции и внешней торговли, механизмов формирования нормы процента и т. п.) более адекватным действительности, что позволяет строить более эффективные оценки параметров рассматриваемых моделей по сравнению с оценками, полученными обычным и даже обобщенным методом наименьших квадратов.
Обсуждение Эконометрика
Комментарии, рецензии и отзывы