R语言ARMA-GARCH模型金融产品价格实证分析黄金价格时间序列

全文链接：http://tecdat.cn/?p=32677

相关视频

利用该模型可动态刻画黄金价格数据的生成过程,也可帮助黄金产品投资者和生产者做出更加灵活、科学的决策。

ARMA-GARCH模型

在一般的计量回归模型中,一个重要的假设条件是回归模型中残差的同方差性。它保证了回归系数的无偏性、有效性与一致性;然而,当回归残差的方差不能够保证同方差,即产生异方差时,回归估计系数的有效性与一致性则无法保证,从而导致回归系数估计的偏差。在实际的金融时间序列中,数据大都具有“尖峰厚尾”、波动集聚性与爆发性等特征。根据金融时间序列的这些特性,为了应对这种情况,美国经济学家RobertF.Engle于1 982年首次提出了A R C H模型;它具有良好的特性,即持续的方差和处理厚尾的能力,能较好地描述金融序列的波动特征[6-7]。

ARMA 模型

一般来说,一个变量的现在取值,不仅受其本身过去值的影响,而且也受现在和过去各种随机因素冲击的影响。因此,可建立其数据生成模型为:

y t=a 0+a 1 y t-1+a 2 y t-2+...+a py t-p+u t+

β1 u t-1+...+βq u t-q(1)

式中:p和q为模型的自回归阶数和移动平均阶数;a i和βi为不为零的待定系数;u t为独立的误差项;y t为平稳、正态、零均值的时间序列。如果该模型的特征根都在单位圆外,则该模型就称为A R M A(p,q)模型

GARCH(p,q) 模型

若随机变量y t可以表示为如下形式:

y t=a 0+a 1 y t-1+a 2 y t-2+...+a py t-p+u t(2)

σ2t=φ0+φ1 u2t-1+φ2 u2t-2+…+φq u2t-q(3)式中:σ2t为条件方差;φi为待定系数;其它参数同上。

称u t服从q阶的A R C H过程,记作u t A R C H(q)。其中,(2)式称作均值方程,(3)式称作A R C H方程。A R C H(q)模型是关于σ2t的分布滞后模型。为避免u2t的滞后项过多,可采用加入σ2t滞后项的方法。对于(3)式,可给出如下形式:

σ2t=φ0+φ1 u2t-1+λ1σ2t-1(4)

式中:λ为待定系数。

该模型称为广义自回归条件异方差模型,用G A R C H(1,1)表示。其中,u t-1称为A R C H项;σt-1称为G A R C H项。

(4)式应满足的条件为:φ0>0,φ1≥0,λ1≥0。

ARMA-GARCH 模型建立与实证分析

建立ARMA-GARCH 模型步骤

建立黄金价格ARMA-GARCH模型通常包括5个步骤,即序列平稳性验证、模型识别及参数估计、异方差效应检验、建立ARMA-GARCH模型及参数估计、模型诊断与实证分析。

数据采集

我们所选取的样本数据为XX定盘价格(用P表示,单位为美元/盎司),共计851个数据,利用计量分析软件R完成。

平稳性检验及数据处理

通过黄金价格时间序列(见图2)可以看出,历年的黄金价格有异常值并且结构发生了突变;相关统计特征显示黄金价格序列存在右偏和尖峰现象(相对于标准正态分布),呈现“尖峰厚尾”特征。同时J B检验也说明黄金价格序列不服从正态分布。再者,从黄金价格自相关及偏相关(见图3)中,可初步判断黄金价格为结构发生突变的非平稳时间序列。