Áp dụng ARMA-GARCH có yêu cầu ổn định không?


14

Tôi sẽ sử dụng mô hình ARMA-GARCH cho chuỗi thời gian tài chính và đang tự hỏi liệu chuỗi đó có nên đứng yên trước khi áp dụng mô hình nói trên không. Tôi biết để áp dụng mô hình ARMA, chuỗi này phải đứng yên, tuy nhiên tôi không chắc chắn về ARMA-GARCH vì tôi bao gồm các lỗi GARCH có nghĩa là phân cụm biến động và phương sai không cố định và do đó, chuỗi không cố định cho dù tôi có chuyển đổi gì .

Là chuỗi thời gian tài chính thường đứng yên hoặc không cố định? Tôi đã thử áp dụng thử nghiệm ADF cho một vài chuỗi biến động và có giá trị p <0,01 dường như cho thấy sự ổn định nhưng chính nguyên tắc của chuỗi biến động cho chúng ta biết rằng chuỗi đó không ổn định.

Ai đó có thể làm rõ điều đó cho tôi không? Tôi đang thực sự bối rối

Câu trả lời:


11

Sao chép từ bản tóm tắt của bài báo gốc của Engle :
"Đây là những quá trình không có nghĩa, không tương quan với các phương sai không có điều kiện trong quá khứ, nhưng phương sai vô điều kiện liên tục. Đối với các quá trình như vậy, quá khứ gần đây cung cấp thông tin về phương sai dự báo một giai đoạn".

Tiếp tục với các tài liệu tham khảo, như tác giả đã giới thiệu chương trình GARCH (Bollerslev, Tim (1986) " Generalized autoregressive Conditional heteroskedasticity ", Tạp chí Kinh tế, 31: 307-327) cho GARCH (1,1) quá trình, nó cũng đủ mà cho vị trí đứng thứ hai.α1+β1<1

Stationarity (một trong những thủ tục ước tính), được xác định liên quan đến phân phối vô điều kiện và khoảnh khắc.

ĐỊA CHỈ
Để tóm tắt ở đây thảo luận trong các ý kiến, phương pháp mô hình GARCH là một cách khéo léo để mô hình hóa sự không đồng nhất bị nghi ngờ theo thời gian, tức là một dạng không đồng nhất của quá trình (sẽ làm cho quá trình không cố định) xuất hiện sự tồn tại của bộ nhớ của quá trình, về bản chất tạo ra sự ổn định ở cấp độ vô điều kiện.

Nói cách khác, chúng tôi đã đưa hai "đối thủ lớn" của chúng tôi vào phân tích quá trình ngẫu nhiên (không đồng nhất và bộ nhớ), và sử dụng cái này để vô hiệu hóa cái kia - và đây thực sự là một chiến lược đầy cảm hứng.


1
Tôi không chắc làm thế nào điều này trả lời câu hỏi của tôi? Bạn có thể giải thích? Có thể cho một loạt biến động được định nghĩa là văn phòng phẩm?
ankc

Nếu một chuỗi thời gian biểu hiện phân cụm biến động không có nghĩa là chuỗi trong không cố định và GARCH không thể được áp dụng cho nó (nếu nó không cố định)?
ankc

2
Tôi cho rằng bằng cách "phân cụm biến động", bạn có nghĩa là dường như chuỗi thời gian được đặc trưng bởi phương sai khác nhau trong các khoảng thời gian khác nhau. Thứ nhất, đây chỉ là một dấu hiệu của sự không cố định, không phải là bằng chứng. Thứ hai, mô hình ARCH và các phần mở rộng của nó cố gắng giải thích "cụm biến động" này bằng cách mô hình phương sai có điều kiện là thay đổi theo thời gian, trong khi vẫn duy trì giả định về phương sai vô điều kiện liên tục (và do đó, giả định về trạng thái đứng thứ hai).
Alecos Papadopoulos

Vâng, giả sử rằng thực sự có cụm biến động. Bản thân sê-ri sẽ không cố định, vì vậy làm cách nào tôi có thể áp dụng mô hình GARCH cho sê-ri không cố định như mpiktas đã nói rằng GARCH nên được áp dụng cho sê-ri văn phòng phẩm.
ankc

Không, phân cụm biến động không nhất thiết có nghĩa là không cố định. Vì vậy, nếu nó có thể được "giải thích" bằng mô hình GARCH, thì bạn có thể vận hành dựa trên giả định về sự ổn định vô điều kiện. Thật vậy, điều này xuất hiện một chút vòng tròn - nhưng sau đó một lần nữa, chúng ta gần như không bao giờ có thể chắc chắn rằng một quá trình ngẫu nhiên quan sát thực tế là, hoặc không, là đứng yên.
Alecos Papadopoulos

6

Có bộ truyện nên đứng yên. Các mô hình GARCH thực sự là các quá trình nhiễu trắng với cấu trúc phụ thuộc không tầm thường. Mô hình GARCH cổ điển (1,1) được định nghĩa là

rt=σtεt,

với

σt2=α0+α1εt12+β1σt12,

nơi là độc lập biến bình thường tiêu chuẩn với đơn vị sai.εt

Sau đó

Ert=EE(rt|εt1,εt2,...)=EσtE(εt|εt1,εt2,...)=0

Ertrth=EE(rtrth|εt1,εt2,...)=ErthσtE(εt|εt1,εt2,...)=0

cho . Do đó r t là một quá trình tiếng ồn trắng. Tuy nhiên, có thể chỉ ra rằng r 2 t thực sự là một quá trình A R M A ( 1 , 1 ) . Vì vậy, GARCH (1,1) là quá trình đứng yên, nhưng có phương sai điều kiện không đổi.h>0rtrt2ARMA(1,1)


Làm thế nào một loạt có thể đứng yên nếu nó thể hiện sự biến động? Làm thế nào để bạn xác định văn phòng phẩm khi áp dụng mô hình GARCH?
ankc

Có ổn không nếu tôi bao gồm các thuật ngữ AR và MA trong phương trình trung bình của mình? Nếu chuỗi trả về biểu hiện một số tự động tương quan ở độ trễ ngắn.
ankc

Văn phòng phẩm có nghĩa là trung bình không đổi, phương sai và tương quan chỉ phụ thuộc vào độ trễ. Các thuật ngữ AR và MA có thể được bao gồm trong phương trình trung bình. Chìa khóa trong các quy trình GARCH là biến động có điều kiện. Lưu ý rằng biến động không phải là phương sai. Biến động trung bình là phương sai loạt.
mpiktas

Như tham chiếu lấy ví dụ dữ liệu SP500 trong R, dữ liệu trả về dường như không đổi theo ý nghĩa của nó nhưng thể hiện tính không đồng nhất có điều kiện trắng trợn. Vì vậy, có thể áp dụng mô hình GARCH trên nó mặc dù có phương sai không đổi?
ankc

Tôi thường hỏi tôi có thể áp dụng mô hình GARCH cho bất kỳ chuỗi trả về nhật ký nào thể hiện phân cụm biến động không? Tôi đang hỏi điều này bởi vì tôi đã thấy trong một luận án rằng thử nghiệm ADF đã được áp dụng để kiểm tra độ ổn định, vì vậy tôi nghĩ rằng cần có sự ổn định trước khi áp dụng mô hình GARCH .
ankc

2

Đối với bất cứ ai đang thắc mắc về câu hỏi này, tôi sẽ làm rõ - Phân cụm biến động hoàn toàn không ngụ ý rằng loạt bài này không cố định. Nó sẽ gợi ý rằng có một chế độ phương sai có điều kiện thay đổi - vẫn có thể đáp ứng sự không đổi của phân phối vô điều kiện.

α1+β>1α1βα1β>1

Tuy nhiên, điều quan trọng cần lưu ý là nếu mô hình GARCH (1,1) không cố định, thì thuật ngữ không đổi trong phương sai điều kiện không được ước tính một cách nhất quán.

α1+β=1

Stationarity khá bị hiểu lầm và chỉ được kết nối một phần với việc phương sai hoặc giá trị trung bình dường như thay đổi theo phương diện - vì điều này vẫn có thể kéo dài trong khi quá trình duy trì phân phối vô điều kiện liên tục. Lý do bạn có thể nghĩ rằng sự thay đổi dường như thay đổi có thể gây ra sự rời khỏi trạng thái đứng yên, là bởi vì điều đó như là sự lệch cấp vĩnh viễn trong phương trình phương sai (hoặc phương trình trung bình) theo định nghĩa sẽ phá vỡ sự ổn định. Nhưng nếu những thay đổi được gây ra bởi đặc tả động của mô hình, nó vẫn có thể đứng yên mặc dù giá trị trung bình là không thể xác định và biến động liên tục thay đổi. Một ví dụ đẹp khác về điều này là mô hình DAR (1,1) được Ling giới thiệu vào năm 2002.


1
Câu trả lời tốt! DAR (1,1) có chuẩn cho ARIMA (1,1,0) không? Nếu không phải là gì và tại sao bạn không giải quyết các mô hình ARIMA không cố định?
Michael R. Chernick

1

Stationarity là một khái niệm lý thuyết mà sau đó được sửa đổi thành các dạng khác như Weak Sense Stationarity có thể được kiểm tra dễ dàng. Hầu hết các bài kiểm tra như kiểm tra adf như bạn đã đề cập chỉ kiểm tra các điều kiện tuyến tính. các hiệu ứng ARCH được tạo cho các chuỗi không có tự động tương quan theo thứ tự đầu tiên nhưng có sự phụ thuộc trong chuỗi bình phương.

Quá trình ARMA-GARCH mà bạn nói đến, ở đây, sự phụ thuộc thứ tự thứ hai được loại bỏ bằng cách sử dụng phần GARCH và sau đó mọi sự phụ thuộc trong các thuật ngữ tuyến tính được quy trình ARMA nắm bắt.

Cách tiếp theo là kiểm tra sự tự tương quan của chuỗi bình phương, nếu có sự phụ thuộc, sau đó áp dụng các mô hình GARCH và kiểm tra các phần dư cho bất kỳ thuộc tính chuỗi thời gian tuyến tính nào có thể được mô hình hóa bằng các quy trình ARMA.


1
Tôi đã nghĩ đến việc lắp ARMA trước, sau đó lắp phần dư vào mô hình GARCH. Điều này có sai không? Làm cách nào tôi có thể "kiểm tra phần dư cho bất kỳ thuộc tính chuỗi thời gian tuyến tính nào có thể được mô hình hóa bằng các quy trình ARMA."? Có thể sử dụng thử nghiệm hộp ljung để phát hiện hiệu ứng ARCH không?
ankc

cách đơn giản nhất là tìm kiếm hàm tương quan tự động của chuỗi bình phương. nếu nó quan trọng thì hãy thử mô hình GARCH. nếu tự động tương quan của bình phương của phần dư được loại bỏ, thì GARCH sẽ giúp mô hình hóa sự phụ thuộc trong chuỗi bình phương.
htrahdis

Nếu tôi làm điều đó thì lợi tức trung bình của tôi sẽ là 0 phải không? Tôi muốn có thể có nghĩa là sẽ không phải là một đường thẳng, giống như một hàm trung bình sẽ phụ thuộc vào các điều khoản AR và MA + lỗi GARCH.
ankc

Có ba điều: một là quyết định xem có hiệu ứng GARCH hay không, thứ hai là sự biện minh cho việc sử dụng ARMA và GARCH và thứ ba là thực sự phù hợp với mô hình khi hai yếu tố trên được khẳng định. việc lắp đặt không đơn giản như làm trong hai giai đoạn khác nhau. bạn phải phù hợp đồng thời cả hai phần ARMA và GARCH. Có những phương pháp có sẵn cho việc này.
htrahdis

Việc sử dụng ARMA có hợp lý không nếu có các mối tương quan trong chuỗi trả về? Tôi nghĩ rằng có các gói trong R phù hợp. Tôi chỉ cần biết khi nào nên áp dụng ARMA-GARCH hoặc đơn giản là GARCH. Tôi có thể sử dụng thử nghiệm ljung-box để kiểm tra các hiệu ứng GARCH không?
ankc
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.