ARMA-GARCH를 적용하려면 고 정성이 필요합니까?


14

재무 시계열에 ARMA-GARCH 모델을 사용하고 해당 모델을 적용하기 전에 시리즈가 고정되어야하는지 궁금합니다. 나는 ARMA 모델을 적용하는 것을 알고 시리즈가 고정되어 있어야하지만 GARCH 오류를 포함하기 때문에 ARMA-GARCH는 확실하지 않습니다. 왜냐하면 변동성 클러스터링 및 불일치 분산을 의미하므로 변환이 무엇이든간에 정지되지 않은 시리즈입니다. .

재무 시계열은 일반적으로 고정 또는 비 정적입니까? 나는 몇 가지 휘발성 계열에 ADF 테스트를 적용하여 p-value <0.01을 얻었습니다.

누군가 나를 위해 그것을 정리할 수 있습니까?

답변:


11

Engle의 원본 논문의 요약에서 발췌 :
"이것은 조건에 따라 일정하지 않은 분산을 갖는 연속적으로 상관 관계가없는 프로세스 0을 의미하지만, 일정하게 무조건적인 분산을 의미합니다. 이러한 프로세스에 대해 최근의 과거는 1주기 예측 분산에 대한 정보를 제공합니다."

GARCH 쇼 소개 저자 (. Bollerslev, 팀 (1986) "로, 참조를 계속 일반화 된 자기 회귀 조건부 이분산성 ", 계량 경제학의 전표, 31 : 307-327)에 GARCH (1,1) 프로세스, 그것은 충분하다 은 2 차 입니다.α1+β1<1

정상 성 (추정 절차에 필요한 것)은 무조건 분포 및 모멘트와 관련하여 정의됩니다 .

부록
GARCH 모델링 방식은 시간이 지남에 따라 의심되는 이분산성, 즉 프로세스 의 이질성 (프로세스가 비정상적이지 않게 함)을 관찰 된 기능으로 모델링하는 독창적 인 방법 입니다. 무조건적인 수준에서 정상 성을 유도 하는 과정 의 기억 의 존재 .

다시 말해, 우리는 확률 론적 프로세스 분석 (이종성 및 메모리)에서 두 "큰 반대자"를 취하여 다른 하나를 중화하는 데 사용했습니다. 이는 실제로 영감을받은 전략입니다.


1
이것이 어떻게 내 질문에 대답하는지 잘 모르겠습니까? 설명 할 수 있습니까? 휘발성 시리즈가 고정으로 정의 될 수 있습니까?
ankc

시계열이 변동성을 나타내는 클러스터링이 비 정적 및 GARCH의 계열을 고정시킬 수 없다는 의미는 아닙니까?
ankc

2
"휘발성 클러스터링 (volatility clustering)"이란 시계열이 서로 다른 간격으로 다른 분산을 특징으로한다는 것을 의미합니다. 첫째, 이것은 증거가 아닌 가능한 비정규 성을 나타냅니다. 둘째, ARCH 모델과 그 확장은 조건부 분산을 시간 변경으로 모델링하면서이 "변동성 클러스터링"을 설명 하는 동시에 일정한 무조건적 분산 의 가정을 유지 하므로 (2 차 고정 성의 가정) 유지하려고합니다.
Alecos Papadopoulos

실제로 변동성 클러스터링이 있다고 가정 해 봅시다. mpiktas가 GARCH를 고정 시리즈에 적용해야한다고 말한 것처럼 시리즈 자체는 고정식이 아니므로 GARCH 모델을 비 고정 시리즈에 어떻게 적용 할 수 있습니까?
ankc

휘발성 클러스터링이 반드시 정상 성이 아닌 것은 아닙니다 . 따라서 GARCH 모델링을 통해 "설명"될 수 있다면 무조건 정상 성을 가정하여 작업 할 수 있습니다. 실제로 이것은 약간 원형으로 보이지만 실제 관측 된 확률 적 과정이 정지 된 것인지 아닌지는 거의 확신 할 수 없습니다.
Alecos Papadopoulos

6

예, 시리즈는 고정되어 있어야합니다. GARCH 모델은 실제로 사소한 의존 구조가 아닌 화이트 노이즈 프로세스입니다. 클래식 GARCH (1,1) 모델은 다음과 같이 정의됩니다.

rt=σtεt,

σt2=α0+α1εt12+β1σt12,

여기서 는 단위 분산을 갖는 독립적 인 표준 정규 변수입니다.εt

그때

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

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

위한 . 따라서 는 화이트 노이즈 프로세스입니다. 그러나 가 실제로 프로세스 임을 보여줄 수 있습니다. 따라서 GARCH (1,1)은 정지 과정이지만 조건이 일정하지 않습니다.r t r 2 t A R M A ( 1 , 1 )h>0rtrt2ARMA(1,1)


변동성이있는 시리즈를 어떻게 고정시킬 수 있습니까? GARCH 모델을 적용 할 때 어떻게 고 정성을 정의합니까?
ankc

평균 방정식에 AR 및 MA 항을 포함 시키면 괜찮을까요? 리턴 시리즈가 짧은 지연에서 자기 상관을 나타내는 경우.
ankc

고정은 지연에만 의존하는 일정한 평균, 분산 및 상관 관계를 의미합니다. AR 및 MA 항은 평균 방정식에 포함될 수 있습니다. GARCH 프로세스의 핵심은 조건부 변동성입니다. 변동성은 분산이 아닙니다. 평균 변동성은 계열 분산입니다.
mpiktas

예를 들어 R의 SP500 데이터를 참조 할 때, 리턴 데이터는 평균적으로 일정 해 보이지만 명백한 조건부 이분산성을 나타냅니다. 상수가 일정하지 않아도 GARCH 모델을 적용 할 수 있습니까?
ankc

일반적으로 변동성 군집을 나타내는 모든 로그 리턴 시리즈에 GARCH 모델을 적용 할 수 있습니까? 나는 ADF 테스트가 정상 성을 테스트하기 위해 적용되었다는 논문을 보았으므로 GARCH 모델을 적용하기 전에 정상 성이 필요하다고 생각했기 때문에 이것을 요구하고 있습니다. .
ankc

2

이 질문에 대해 여전히 궁금해하는 사람은 분명히 설명하겠습니다. 변동성 클러스터링은 시리즈가 비정상적임을 암시하지 않습니다. 무조건 분포의 불변성을 만족시킬 수있는 변화하는 조건 분산 체제가 있음을 시사합니다.

Bollerslev의 GARCH (1,1) 모델은 일 때 약하게 정지하지 않지만 실제로는 훨씬 더 큰 범위에 대해서는 여전히 정지되어 있습니다 (Nelson 1990). 추가 Rahbek & Jensen 2004 (증상 추론) 비 정적 GARCH)에서, 및 의 ML 추정기 는 모델이 비정상임을 보장하는 모든 매개 변수 사양에 대해 일관되고 인 것으로 나타났습니다 . 이것을 Nelson 1990의 결과와 결합하면 (모두 약하거나 엄격한 고정 GARCH (1,1) 모델은 일관되고 적으로 MLE 추정기가 있습니다), 및 모든 매개 변수 조합 은 일관되고 무증상적인 추정량.α1+β>1α1βα1β>1

그러나 GARCH (1,1) 모형이 고정되어 있지 않은 경우 조건부 분산의 상수 항이 일관되게 추정되지 않는다는 점에 유의해야합니다.

그럼에도 불구하고, 이것은 GARCH 모델을 추정하기 전에 정지성에 대해 걱정할 필요가 없음을 나타냅니다. 그러나 고전적인 GARCH (1,1) 모델에서는 허용되지 않으므로 대칭 분포가 있는지, 계열의 지속성이 높은지 궁금합니다. 모델을 추정 할 때 재무 시계열을 사용하는 경우 인지 테스트하는 것이 중요합니다. 이는 투자자들 사이에 행동 경향이 있다고 상상하기 어려운 추세 적 조건 변동을 의미하기 때문입니다. . 그러나이 테스트는 일반 LR 테스트로 수행 할 수 있습니다.α1+β=1

고정 성은 상당히 잘못 이해되어 있으며, 분산 또는 평균이 위치 적으로 변화하는 것처럼 보이는지 여부와 부분적으로 만 연결되어 있습니다. 프로세스가 일정한 무조건 분포를 유지하는 동안 여전히 영향을 줄 수 있기 때문입니다. 분산 변화가 나타나는 것처럼 정상 성에서 벗어날 수 있다고 생각하는 이유는 분산 방정식 (또는 평균 방정식)의 영구적 인 레벨 이동과 같은 것이 정의에 의해 정상 성을 깨뜨리기 때문입니다. 그러나 모델의 동적 사양으로 인해 변경이 발생하는 경우 평균을 식별 할 수없고 변동성이 지속적으로 변경 되더라도 여전히 고정적 일 수 있습니다. 이것의 또 다른 아름다운 예는 2002 년 Ling에 의해 소개 된 DAR (1,1) 모델입니다.


1
좋은 대답입니다! ARIMA (1,1,0)에 대해 DAR (1,1)이 표준입니까? 그렇지 않은 경우 왜 정지되지 않은 ARIMA 모델을 다루지 않았습니까?
Michael R. Chernick

1

Stationarity는 이론적 인 개념으로, 약한 Sense Stationarity와 같은 다른 형태로 쉽게 수정 될 수 있습니다. 선형 조건에 대해서만 테스트를 언급 한 adf 테스트와 같은 대부분의 테스트. ARCH 효과는 1 차 자기 상관이없는 시리즈에 대해 만들어 지지만 제곱 된 시리즈에는 의존성이 있습니다.

당신이 이야기하는 ARMA-GARCH 프로세스, 여기서 2 차 의존성은 GARCH 파트를 사용하여 제거되고 선형 용어의 모든 의존성은 ARMA 프로세스에 의해 포착됩니다.

계속 진행하는 방법은 제곱 된 계열의 자기 상관을 확인하고, 종속성이있는 경우 GARCH 모델을 적용하고 선형 시계열 속성의 잔차를 확인한 다음 ARMA 프로세스를 사용하여 모델링 할 수 있습니다.


1
ARMA를 먼저 피팅 한 다음 잔차를 GARCH 모델에 피팅하려고 생각했습니다. "잘못된 선형 시계열 속성의 잔차를 확인한 다음 ARMA 프로세스를 사용하여 모델링 할 수있는 방법"은 무엇입니까? ljung-box 테스트를 사용하여 ARCH 효과를 감지 할 수 있습니까?
ankc

가장 간단한 방법은 제곱 된 계열의 자동 상관 함수를 찾는 것입니다. 중요한 경우 GARCH 모델을 사용해보십시오. 잔차 제곱의 자기 상관이 제거되면, GARCH는 제곱 된 시리즈의 의존성을 모델링하는 데 도움이됩니다.
htrahdis

내 평균 수익률이 0이되면 AR과 MA 항 + GARCH 오류에 의존하는 평균 함수와 같이 직선이 아닌 평균을 얻을 수 있기를 원합니다.
ankc

세 가지가 있습니다. 하나는 GARCH 효과가 있는지 여부를 결정하는 것이고, 다른 하나는 ARMA와 GARCH를 사용하는 것의 정당화이며, 세 번째는 위의 두 가지가 긍정적일 때 실제로 모델에 적합합니다. 피팅은 두 가지 단계 에서처럼 간단하지 않습니다. ARMA와 GARCH 부품을 동시에 장착해야합니다. 사용할 수있는 방법이 있습니다.
htrahdis

리턴 시리즈에 상관 관계가 있으면 ARMA 사용이 정당화됩니까? R에 피팅을 수행하는 패키지가 있다고 생각합니다. ARMA-GARCH 또는 단순히 GARCH를 적용 할시기 만 알면됩니다. ljung-box 테스트를 사용하여 GARCH 효과를 테스트 할 수 있습니까?
ankc
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.