GARCH和ARMA有什么区别?


42

我很困惑。我不了解ARMA和GARCH流程的区别。

这是(G)ARCH(p,q)过程

σt2=α0+i=1qαirti2ARCH+i=1pβiσti2GARCH

这是ARMA():p,q

Xt=c+εt+i=1pφiXti+i=1qθiεti.

ARMA是否只是GARCH的扩展,GARCH仅用于收益,并且假设,其中\ varepsilon遵循强白色过程?r=σεε


1
除了fg nu的答案外,GARCH中的方差过程是随时间变化的。但是,这里有一个技巧,就是给定SP500的对数返回时间序列,那么要获得波动率过程,我们应该怎么做?有人说我们需要使用ARMA模型提取残差序列,然后将此残差序列插入GARCH模型中以获得条件方差过程?还是直接将对数返回插入SP500的对数返回过程插入GARCH模型以获得条件方差?

Answers:


48

您正在将流程的功能与其表示相混淆。考虑(返回)过程。(Yt)t=0

  • ARMA(p,q)模型将过程的条件均值指定为

E(YtIt)=α0+j=1pαjYtj+k=1qβkϵtk
这里,是在时间设置的信息,它是由结果过程的滞后值生成的代数。。σ ÿ Ittσ(Yt)
  • 的GARCH(R,S)model指定条件方差的方法的
    V(YtIt)=V(ϵtIt)σt2=δ0+l=1rδjσtl2+m=1sγkϵtm2

特别注意第一个等价。V(YtIt)=V(ϵtIt)

另外:根据此表示,您可以编写 ,其中是强白噪声过程,但这是根据定义过程的方式得出的。ž

ϵtσtZt
Zt
  • 这两个模型(用于条件均值和方差)彼此完全兼容,因为可以将过程均值建模为ARMA,将方差建模为GARCH。这导致了该过程的ARMA(p,q)-GARCH(r,s)模型的完整规范,如下所示
    Yt=α0+j=1pαjYtj+k=1qβkϵtk+ϵtE(ϵtIt)=0,tV(ϵtIt)=δ0+l=1rδlσtl2+m=1sγmϵtm2t

如果所有回归变量都滞后,您是否不应该在时间限制信息?t1
亚瑟(Jase)2012年

@Jase请注意定义,“是在时间设置的信息,它是由结果过程的滞后值生成的代数。” 也就是说,。一些作者将此写为但这与在时间设置的信息的概念背道而驰。σ Ý =σ ý - 1 ÿ - 2 ...- 1Ittσ(Yt)It=σ(Yt1,Yt2,)It1t
tchakravarty

真好!您知道为什么我们使用西格玛代数而不是过滤吗?
亚瑟(Jase)2012年

1
@Jase,信息集的序列构成过滤(It)t=0
tchakravarty

15

编辑:我意识到答案是缺少的,因此提供了一个更准确的答案(请参阅下面-或上面)。我已经为事实错误编辑了此文件,并将其留作记录。


不同的焦点参数:

  • ARMA是用于实现随机过程的模型,其中强加了过程条件 均值的特定结构。
  • GARCH是用于实现随机过程的模型,其中强加了过程条件 方差的特定结构。

随机与确定性模型:

  • 从因变量-随机过程的实现-指定为滞后因变量和滞后模型误差(条件均值)的确定性函数随机误差项之的意义上讲,ARMA是一种随机模型
  • GARCH是确定性模型,因为从变量(过程的条件方差)是滞后变量的纯粹确定性函数。

1
在您定义的意义上,GARCH过程的条件方差是确定性的,但GARCH过程不是,因为,而与的滞后无关。ε rt=σtεtεtt
mpiktas 2015年

1
@mpiktas,是的。如果GARCH模型包含两个方程式,一个方程式用于条件均值(您在上面编写了一个示例),另一个方程式用于条件方差(在直观上,尽管从数学上来说,不是模型的“主要方程式”),但我的论证仅适用对后一个方程式。
理查德·哈迪

10

阿玛

考虑遵循ARMA()过程的。为了简单起见,它的均值为零且方差恒定。有条件地根据信息,可分为已知的(预定)部分(给定的的条件均值)和随机部分: p q - 1个 Ÿ μ ý - 1 ü ytp,qIt1ytμtytIt1ut

yt=μt+ut;μt=φ1yt1++φpytp+θ1ut1++θqutq  (known, predetermined);ut|It1 D(0,σ2)  (random)

其中是一些密度。D

条件均值 本身遵循类似于ARMA(一个过程),但没有随机同期误差项: 其中 ; 对于 ; 并且表示。请注意,此过程的顺序为()而不是(),如。 p q μ = φ 1 μ - 1 + ... + φ p μ - p + φ 1 + θ 1Ü - 1 + ... + φ + θ Ü - = 最大值p q φ μtp,q

μt=φ1μt1++φpμtp+(φ1+θ1)ut1++(φm+θm)utm,
m:=max(p,q)> pφi=0i>pθj=0j>qp,mp,qyt

我们还可以根据过去的条件均值(而不是过去的实现值)和模型参数来写的条件分布为yt

ytD(μt,σt2);μt=φ1μt1++φpμtp+(φ1+θ1)ut1++(φm+θm)utm;σt2=σ2,

后一种表示法使ARMA与GARCH和ARMA-GARCH的比较更加容易。

GARCH

考虑遵循GARCH()过程的。为简单起见,假设它的常数为常数。然后yts,r

ytD(μt,σt2);μt=μ;σt2=ω+α1ut12++αsuts2+β1σt12++βrσtr2;utσti.i.D(0,1),

其中并且是某个密度。ut:=ytμtD

条件方差 如下类似于ARMA(进程),但没有随机同期误差项。σt2s,r

阿玛·格奇

考虑具有无条件均值为零,如下的ARMA()-GARCH()的过程。然后ytp,qs,r

ytD(μt,σt2);μt=φ1μt1++φpμtp+(φ1+θ1)ut1++(φm+θm)utm;σt2=ω+α1ut12++αsuts2+β1σt12++βrσtr2;utσti.i.D(0,1),

其中 ; 是某种密度,例如“正常”;对于 ; 并且表示。 d φ = 0 > p θ Ĵ = 0 Ĵ > qut:=ytμtDφi=0i>pθj=0j>q


条件均值过程中由于ARMA基本上具有相同的形状条件方差过程中由于GARCH,只是滞后阶数可以是不同的(允许的非零无条件均值不应显著改变此结果)。重要的是,随机误差项都不以,因此两者都是预先确定的。- 1ytIt1


3

ARMA和GARCH流程的介绍非常相似。两者之间的分界线很细,因为当假设ARMA流程用于误差方差时,我们得到GARCH。

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.