專題六 GARCH類模型課件

專題六GARCH類模型專題六GARCH類模型專題內(nèi)容ARCH模型及其參數(shù)估計GARCH模型及其參數(shù)估計EGARCH模型TGARCH模型GARCH-M模型案例分析專題六GARCH類模型ARCH模型ARCH模型。由Engle(1982)引入。專題六GARCH類模型ARCH模型專題六GARCH類模型ARCH模型：ML估計專題六GARCH類模型ARCH模型：ML估計專題六GARCH類模型ARCH模型：ML估計專題六GARCH類模型ARCH模型：ML估計專題六GARCH類模型ARCH模型：ML估計專題六GARCH類模型ARCH模型專題六GARCH類模型GARCH模型專題六GARCH類模型GARCH模型專題六GARCH類模型GARCH模型專題六GARCH類模型GARCH模型專題六GARCH類模型GARCH模型ML估計專題六GARCH類模型GARCH模型ML估計專題六GARCH類模型GARCH模型ML估計專題六GARCH類模型GARCH模型ML估計專題六GARCH類模型不對稱的GARCH模型針對股票價格變動，可以經(jīng)常觀察到，信息沖擊下，向下波動性要強(qiáng)于向上波動性。為了解釋這種想象，EngleandNg(1993)采用如下曲線來表述不對稱的信息影響特征專題六GARCH類模型不對稱的GARCH模型不對稱的GARCH模型類型多樣，這里主要介紹兩種：EGARCHTGARCH專題六GARCH類模型EGARCH模型EGARCHorExponentialGARCHmodel由奈爾遜(Nelson，1991)提出的。專題六GARCH類模型EGARCH模型EGARCH模型中的一個重要特征是在條件方差中引入了參數(shù)g，這使得條件方差在隨機(jī)干擾項(xiàng)取值為正、負(fù)值時有不同程度的變化，從而能更準(zhǔn)確地描述金融產(chǎn)品價格波動的情況。比如，在股票市場中，若將利好消息看作是對股價的正干擾，將利空信息看作是負(fù)干擾，人們注意到，股價往往對同樣程度的副干擾的反應(yīng)更加強(qiáng)烈。專題六GARCH類模型EGARCH模型這種正負(fù)干擾的不對稱反映的不對稱性可以有EGARCH模型來描述。若參數(shù)g取值為負(fù)數(shù)，且大于-1時，那么一個負(fù)干擾所引起的條件方差的變化，比相同程度的正干擾引起條件方差的變化則更大；若g大于0，同樣程度的正干擾引起條件方差的變化則更大；若g=0，則條件方差對于正負(fù)干擾的變化是對稱的。專題六GARCH類模型EGARCH模型π參數(shù)。由于EGARCH條件方差有指數(shù)形式表示，所以無論參數(shù)π取何實(shí)數(shù)，條件方差總大于0。這樣在對EGARCH參數(shù)估計時，不需要對π進(jìn)行約束。專題六GARCH類模型EGARCH模型專題六GARCH類模型EGARCH模型專題六GARCH類模型EGARCH模型EVIEWS中使用的模型與Nelson模型有差異。EVIEWS中使用的模型如下：專題六GARCH類模型TGARCH模型正干擾和負(fù)干擾的非對稱的后果也可通過對線性GARCH框架的簡單修正給出。TGARCH(ThresholdARCH)模型由Zakoian(1990)以及Glosten,Jaganathan,andRunkle(1993)提出。專題六GARCH類模型TGARCH模型專題六GARCH類模型TGARCH和EGARCH模型專題六GARCH類模型ARCH-M模型在前面討論中，ARCH、GARCH、EGARCH過程主要是描述模型的干擾項(xiàng)的條件方差，一般與yi的條件期望無關(guān)。但實(shí)際中人們注意到，條件方差的變化往往直接影響到條件期望的值，ARCH-M模型對回歸模型的條件期望和條件方差都作了描述，是對前面討論的ARCH和GARCH模型的推廣。

ARCH-in-Mean(ARCH-M)model(Engle,Lilien,