ข้อมูลพื้นหลังบางอย่างก่อน:
รับตัวแปรตามตัวแปรอิสระและโมเดลค่าเฉลี่ยตามเงื่อนไขytXt
yt=βXt+ϵt
คุณสามารถใช้รูปแบบ GARCH ในการจำลองความแปรปรวนเงื่อนไขของ\ϵt
สมมติว่าคุณมีเหมาะสมกับรูปแบบ GARCH และที่ได้รับการติดตั้งส่วนเบี่ยงเบนมาตรฐานเงื่อนไข\ หากคุณขนาดคลาดเคลื่อนโดยค่าผกผันของการติดตั้งส่วนเบี่ยงเบนมาตรฐานเงื่อนไข , คุณได้รับการลดขนาดเหลือsigma_t} คุณต้องการให้สิ่งเหล่านี้เป็น "ดี" อย่างน้อยพวกเขาก็ไม่ควรมีรูปแบบ ARCH เหลืออยู่ เช่นนี้สามารถทดสอบได้โดยการทดสอบ Li-Makσ^tϵ^tσ^tu^t:=ϵ^tσ^t
1:เกี่ยวกับ
แบบไม่คงที่ GARCH ไม่สร้างสิ่งตกค้างใด ๆ - ไม่มี GARCH-model-residual ในสูตร GARCH (เฉพาะข้อผิดพลาดที่ล้าหลังจากแบบจำลองตามเงื่อนไขที่ใช้เป็น regressors ในแบบจำลอง GARCH)
แต่คุณหมายถึงอะไรโดย nonstationarity: unit root?; heteroskedasticity ?; เลื่อนระดับ?ϵt
เมื่อคุณพูดถึงสิ่งที่ไม่เกี่ยวกับสิ่งที่เหลืออยู่ในใจคุณมีหรือหรือยังมีอย่างอื่นอีกไหมu^tϵ^t
แก้ไข:ชนิดของ nonstationarity เป็นหน่วยรูท ฉันสงสัยว่านี่เป็นเพราะรุ่นที่ไม่ดีสำหรับค่าเฉลี่ยที่มีเงื่อนไขมากกว่าความล้มเหลวของ GARCH เนื่องจากผลกระทบของ GARCH ในเป็นการปรับขนาดของโดยซึ่งเปลี่ยนระดับของแต่ไม่สามารถแนะนำหน่วยรากได้ นั่นคือรูทยูนิตต้องเป็นคุณลักษณะของแล้วและนั่นเป็นปัญหาของโมเดลค่าเฉลี่ยตามเงื่อนไขไม่ใช่โมเดลแปรปรวนตามเงื่อนไขu^tϵ^t1σ^tϵ^tϵ^t
2:เกี่ยวกับ heteroskedasticity
มากขึ้นอาจกล่าวได้เมื่อคุณชี้แจงสิ่งที่เหลืออยู่ในใจคุณ
แก้ไข:เหลือไว้คือu_t ถ้านั้นเป็นแบบมีเงื่อนไข แต่ไม่ใช่รูปแบบของ ARCH คุณสามารถผนวกแบบจำลอง GARCH มาตรฐานด้วยตัวแปรอธิบายเพื่ออธิบายความแตกต่างที่เหลืออยู่u^tu^t
3:เกี่ยวกับ non-normalityอาจไม่ปกตินี่ไม่มีปัญหา ควรตรงกับการแจกแจงที่คุณสมมติเมื่อปรับรุ่น GARCH (คุณจำเป็นต้องสมมติการกระจายเพื่อให้สามารถรับฟังก์ชั่นความน่าจะเป็นที่จะขยายให้ใหญ่สุดเมื่อติดตั้งแบบจำลอง GARCH) หากคุณสมมติว่ามีการแจกแจงแบบปกติสำหรับแต่สามารถปฏิเสธความปกติของได้นั่นเป็นปัญหา แต่คุณไม่จำเป็นต้องคิดเรื่องปกติ การแจกแจงมีอิสระ 3 หรือ 4 องศานั้นได้รับการโต้แย้งว่ามีความเกี่ยวข้องมากกว่าการแจกแจงแบบปกติสำหรับผลตอบแทนทางการเงิน
ϵtututu^tt
4:เกี่ยวกับส่วนที่เหลือมักจะไม่นิ่ง heteroskedastic และไม่ปกติ ดังนั้น แบบจำลองไม่ได้อธิบายความผันผวน
Eidt (สูตรที่แม่นยำยิ่งขึ้น):ฉันไม่แน่ใจว่าฉันทำตามการเชื่อมต่อแบบลอจิคัลที่นี่ เนื่องจาก GARCH ตั้งเป้าหมายที่จะอธิบายประเภทของความแตกต่างแบบเฉพาะเจาะจง (ไม่ใช่CH ทุกชนิดและทุกชนิด แต่เป็น CH แบบ autoregressive CH) คุณควรประเมินมันบนพื้นฐานนั้น ถ้ามีเงื่อนไขแบบอัตโนมัติ heteroskedastic (สามารถทดสอบได้โดย ARCH-LM test) แต่นั้นเป็นมีเงื่อนไข (ตามที่ทดสอบโดย Li-Mak) โมเดล GARCH ได้ทำงานแล้วϵ^tu^t
ประสบการณ์ของฉันกับแบบจำลอง GARCH (จำกัด มีจำนวน จำกัด ) คือพวกเขาทำงาน แต่แน่นอนว่าไม่ใช่ยาครอบจักรวาล