Modelo de serie de tiempo
En econometría, el modelo heteroscedasticidad condicional autorregresiva ( Arch ) es un modelo estadístico para datos de series de tiempo que describe la varianza del término de error actual o innovación en función de la función real tamaños de los períodos de tiempo anteriores ' términos de error; A menudo, la varianza está relacionada con los cuadrados de las innovaciones anteriores. El modelo ARCH es apropiado cuando la varianza de error en una serie de tiempo sigue un modelo autorregresivo (AR); Si se supone un modelo de promedio móvil autorregresivo (ARMA) para la varianza de error, el modelo es un modelo de heteroscedasticidad condicional autorregresiva generalizada ( Garch ).
Los modelos de Arch se emplean comúnmente en el modelado de series de tiempo financieras que exhiben la volatilidad y la agrupación de volatilidad que varían en el tiempo, es decir, períodos de columpios intercalados con períodos de calma relativa. Los modelos de tipo arco a veces se consideran en la familia de modelos de volatilidad estocástica, aunque esto es estrictamente incorrecto ya que en el tiempo t la volatilidad está completamente predeterminada (determinista) dados de valores anteriores.
Especificación del modelo
Para modelar una serie de tiempo utilizando un proceso ARCH, dejemos denota los términos de error (retorno residuales, con respecto a un proceso medio), es decir, los términos de la serie. Éstos se dividen en una pieza estocástica y una desviación estándar dependiente del tiempo caracterizando el tamaño típico de los términos para que
La variable aleatoria es un fuerte proceso de ruido blanco. La serie es modelado por
- ,
- Donde y .
Un ARCH(q) modelo se puede calcular utilizando los mínimos cuadrados ordinarios. Un método para probar si los residuos exhibir heteroskedasticidad variando tiempo utilizando la prueba de multiplicador Lagrange fue propuesta por Engle (1982). Este procedimiento es el siguiente:
- Estimar el mejor ajuste modelo autoregresivo AR(q) .
- Obtener los cuadrados del error y los regresen en una constante q valores marcados:
- Donde q es la longitud de los lagos ARCH.
- La hipótesis nula es que, en ausencia de componentes ARCH, tenemos para todos . La hipótesis alternativa es que, en presencia de componentes ARCH, al menos uno de los estimados los coeficientes deben ser significativos. En una muestra T residuales bajo la hipótesis nula de ningún error ARCH, la estadística de prueba T.R2 A continuación distribución con q grados de libertad, donde es el número de ecuaciones en el modelo que se ajusta a los residuales vs los lags (es decir,. ). Si T.R2 es más grande que el valor de la tabla Chi-square, nosotros Rechazo la hipótesis nula y concluir que hay un efecto ARCH en el modelo ARMA. Si T.R2 es más pequeño que el valor de la tabla Chi-square, no rechazamos la hipótesis nula.
Garch
Si se supone que un modelo de promedio móvil autorregresivo (ARMA) para la varianza de error, el modelo es un modelo generalizado de heteroscedasticidad condicional autorregresiva (GARCH).
En ese caso, el GARCH (GARCH)p, qModelo (donde) p es el orden de los términos GARCH y q es el orden de los términos ARCH ), después de la notación del papel original, se da por
Generalmente, cuando se prueba la heterocedasticidad en modelos econométricos, la mejor prueba es la prueba de White. Sin embargo, cuando se trata de datos de series temporales, esto significa probar los errores ARCH y GARCH.
La media móvil ponderada exponencialmente (EWMA) es un modelo alternativo en una clase separada de modelos de suavizado exponencial. Como alternativa al modelado GARCH, tiene algunas propiedades atractivas, como una mayor ponderación de las observaciones más recientes, pero también desventajas, como un factor de decaimiento arbitrario que introduce subjetividad en la estimación.
Especificación del modelo GARCH(p, q)
La longitud del retraso p de un proceso GARCH(p, q) se establece en tres pasos:
- Estimar el mejor ajuste AR(q) modelo
- .
- Computar y trazar las autocorraciones de por
- El asintotico, que es para muestras grandes, desviación estándar de es . Los valores individuales que son más grandes que esto indican errores de GARCH. Para estimar el número total de retrasos, utilice la prueba Ljung-Box hasta que el valor de estos sea inferior al 10% significativo. El Ljung-Box Q-statistic sigue distribución con n grados de libertad si los residuales cuadrados no están relacionados. Se recomienda considerar hasta los valores T/4 de n. La hipótesis nula indica que no hay errores ARCH o GARCH. Rechazar el nulo significa así que tales errores existen en la varianza condicional.
NGARCH
NAGARCH
GARCH(1,1) asimétrico no lineal (NAGARCH) es un modelo con la especificación:
- ,
- Donde y , que garantiza la no negativa y la estabilidad del proceso de varianza.
Para retornos de acciones, parámetro generalmente se estima que es positivo; en este caso, refleja un fenómeno comúnmente conocido como el "efecto del promedio", lo que significa que los retornos negativos aumentan la volatilidad futura por una cantidad mayor que los retornos positivos de la misma magnitud.
Este modelo no debe confundirse con el modelo NARCH, junto con la extensión NGARCH, introducida por Higgins y Bera en 1992.
IGARCA
La heterocedasticidad condicional autorregresiva generalizada integrada (IGARCH) es una versión restringida del modelo GARCH, donde los parámetros persistentes suman uno e importa una raíz unitaria en el proceso GARCH. La condición para esto es
.
EGARCA
El modelo heterocedástico condicional autorregresivo generalizado exponencial (EGARCH) de Nelson & Cao (1991) es otra forma del modelo GARCH. Formalmente, un EGARCH(p,q):
Donde , es la diferencia condicional, , , , y son coeficientes. puede ser una variable normal normal o proviene de una distribución de errores generalizada. La formulación para permite el signo y la magnitud de tener efectos separados sobre la volatilidad. Esto es particularmente útil en un contexto de fijación de precios de activos.
Desde puede ser negativo, no hay restricciones de signos para los parámetros.
GARCH-M
El modelo GARCH-en-media (GARCH-M) agrega un término de heterocedasticidad a la ecuación de la media. Tiene la especificación:
El residual se define como:
QGARCH
El modelo Cuadrático GARCH (QGARCH) de Sentana (1995) se utiliza para modelar los efectos asimétricos de shocks positivos y negativos.
En el ejemplo de un modelo GARCH(1,1), el proceso residual es
Donde es i.i.d. y
GJR-GARCH
Similar a QGARCH, el modelo Glosten-Jagannathan-Runkle GARCH (GJR-GARCH) de Glosten, Jagannathan y Runkle (1993) también modelos de asimetría en el proceso ARCH. La sugerencia es modelo Donde es i.i.d., y
Donde si , y si .
Modelo TGARCH
El modelo Threshold GARCH (TGARCH) de Zakoian (1994) es similar al GJR GARCH. La especificación se basa en la desviación estándar condicional en lugar de la varianza condicional:
Donde si , y si . Del mismo modo, si , y si .
fgarch
hentschel ' s fgarch modelo, también conocido como Family Garch , es un modelo omnibus que nesta una variedad de otros modelos Garch simétricos y asimétricos populares que incluyen APARCH, APARCH, GJR, Avgarch, Ngarch, etc.
COGARCH
En 2004, Claudia Klüppelberg, Alexander Lindner y Ross Maller propusieron una generalización en tiempo continuo del proceso GARCH (1,1) de tiempo discreto. La idea es comenzar con las ecuaciones modelo GARCH (1,1)
y luego para reemplazar el fuerte proceso de ruido blanco por los incrementos infinitesimal of a Lévy process , y el proceso de ruido cuadrado por los incrementos , donde
es la parte puramente discontinua del proceso de variación cuadrática . El resultado es el siguiente sistema de ecuaciones diferenciales estocásticas:
donde los parámetros positivos , y se determinan por , y . Ahora dada alguna condición inicial , el sistema anterior tiene una solución única que se llama entonces GARCH de tiempo continuo (COGARCH) modelo.
ZD-GARCH
A diferencia del modelo GARCH, el modelo Zero-Drift GARCH (ZD-GARCH) de Li, Zhang, Zhu y Ling (2018) permite el término deriva en el primer orden modelo GARCH. El modelo ZD-GARCH es modelar , donde es i.i.d., y
El modelo ZD-GARCH no requiere , y por lo tanto anida el modelo de movimiento de peso exponencial (EWMA) en "RiskMetrics". Desde el término deriva , el modelo ZD-GARCH es siempre no estacionario, y sus métodos de inferencia estadística son muy diferentes de los del modelo clásico GARCH. Basado en los datos históricos, los parámetros y puede ser estimado por el método QMLE generalizado.
Garch espacial
Los procesos espaciales de GARCH por Otto, Schmid y Garthoff (2018) se consideran como el equivalente espacial a los modelos temporales de heteroscedasticidad condicional generalizada (GARCH). En contraste con el modelo temporal ARCH, en el que se conoce la distribución dada la información completa establecida para los períodos anteriores, la distribución no es directa en el entorno espacial y espacial debido a la interdependencia entre las ubicaciones espaciales vecinas. El modelo espacial es dado por y
Donde denota los -la ubicación espacial y se refiere a -la entrada de una matriz de peso espacial para . La matriz de peso espacial define qué lugares se consideran adyacentes.
Garch impulsado por el proceso gaussiano
En una línea diferente, la comunidad de aprendizaje automático ha propuesto el uso de modelos de regresión de procesos gaussianos para obtener un esquema GARCH. Esto da como resultado un esquema de modelado no paramétrico, que permite: (i) robustez avanzada al sobreajuste, ya que el modelo marginaliza sobre sus parámetros para realizar una inferencia, bajo una justificación de inferencia bayesiana; y (ii) capturar dependencias altamente no linales sin aumentar la complejidad del modelo.
Más resultados...