มีใครเคยพบข้อมูลที่รุ่นของ ARCH และ GARCH ทำงานหรือไม่


10

ฉันเป็นนักวิเคราะห์ในสาขาการเงินและการประกันภัยและเมื่อใดก็ตามที่ฉันพยายามปรับให้เข้ากับแบบจำลองความผันผวนฉันได้รับผลลัพธ์ที่น่ากลัว: ส่วนที่เหลือมักจะไม่คงที่ (ในแง่ของหน่วย) และ heteroskedastic

รุ่น ARCH / GARCH ทำงานกับข้อมูลประเภทอื่นได้หรือไม่?

แก้ไขเมื่อวันที่ 17/4/2558 15:07 เพื่อชี้แจงบางประเด็น


1
คุณหมายถึงฟิลด์ทั่วไป(เช่นการเงินอุตุนิยมวิทยา ... ) ซึ่งโมเดลเหล่านี้ทำงานได้ดีหรือชุดข้อมูลที่เฉพาะเจาะจงหรือไม่ ในกรณีแรกแม้ว่าตัวแบบเหล่านี้อาจจับภาพคุณสมบัติบางอย่างโดยทั่วไปที่ใช้ร่วมกับข้อมูลบางอย่างมันก็ยากที่จะคาดหวังว่าแบบจำลองเหล่านี้จะเพียงพอที่จะพอดีกับวันที่ตัวอย่างใด ๆ ที่ตั้งค่าจากเขตข้อมูลที่กำหนด ในกรณีที่สองเอกสารทางวิชาการมากมายเกี่ยวกับโมเดลเหล่านี้แสดงแอปพลิเคชันไปยังข้อมูลจริง ความเป็นจริงนั้นไม่ได้ชัดเจนและสวยงามเท่าที่นำเสนอในภาพประกอบเหล่านั้น แต่คุณอาจพบชุดข้อมูลหลายชุดและตัวอย่างที่น่าสนใจ
javlacalle

ฉันหมายถึงสนามทั่วไป ฉันเข้าใจว่ามีชุดข้อมูลเฉพาะที่ ARCH และ GARCH เหมาะสมดี (Engle ชนะรางวัลโนเบลใช่มั้ย) แต่ฉันกำลังพูดถึงกรณีทั่วไป
Stefano R.

ฉันไม่คิดว่ามันจะกว้างเกินไปจนกว่าคุณจะพูดว่า "ฉันกำลังพูดถึงกรณีทั่วไป" ... ฉันไม่เห็นว่าหลักฐานจะถูกนำเสนอว่ามันใช้กับ "กรณีทั่วไป" สำหรับทั้งฟิลด์โดยไม่ต้อง อย่างน้อยการรักษาความยาวหนังสือ กรณีดังกล่าวจะเกิดขึ้นได้อย่างไรในวรรคสองสามของคำตอบที่สมเหตุสมผลในรูปแบบนี้
Glen_b -Reinstate Monica

ฉันไม่ต้องการสิ่งนั้น ฉันแค่อยากให้มีคนบอกฉันว่า: "ฉันเป็นนักวิจัยทางชีวเคมีเราใช้ GARCH เป็นประจำในการวิเคราะห์เซลล์ตับของหนูและการประยุกต์ใช้นั้นมีประโยชน์มาก" หรืออะไรทำนองนั้น
Stefano R.

คำตอบ:


4

ประสบการณ์ของฉันกับการเขียนโปรแกรม / การนำไปใช้และการทดสอบขั้นตอน ARCH / GARCH ทำให้ฉันได้ข้อสรุปว่าพวกเขาจะต้องมีประโยชน์ในบางที่และบางแห่ง แต่ฉันไม่ได้เห็นมัน การละเมิดแบบเกาส์เช่นค่าผิดปกติ / การเลื่อนระดับ / พัลส์ตามฤดูกาลและแนวโน้มเวลาท้องถิ่นควรเริ่มใช้เพื่อจัดการกับการเปลี่ยนแปลงของความผันผวน / ความแปรปรวนข้อผิดพลาดเนื่องจากมีผลข้างเคียงที่รุนแรงน้อยกว่า หลังจากการปรับเปลี่ยนอย่างใดอย่างหนึ่งเหล่านี้อาจถูกนำมาใช้เพื่อตรวจสอบความถูกต้องของพารามิเตอร์แบบจำลองว่ามีค่าคงที่ตลอดเวลา นอกจากนี้ความแปรปรวนของข้อผิดพลาดอาจไม่คงที่ แต่การแก้ไขที่ล่วงล้ำ / เรียบง่ายเช่น Box-Cox และการตรวจจับจุดพักที่กำหนดไว้ในความแปรปรวนของข้อผิดพลาด Ala Tsay มีประโยชน์มากกว่าและทำลายน้อยลง ในที่สุดหากไม่มีขั้นตอนเหล่านี้ทำงานแล้วอ้าปากค้างสุดท้ายของฉันจะโยน ARCH / GARCH ที่ข้อมูลแล้วเพิ่มน้ำศักดิ์สิทธิ์หนึ่งตัน


3

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


1 หน่วยราก 2 ด้วยส่วนที่เหลือฉันหมายถึง 3 ฉันควรพยายามดูเพิ่มเติม 4 ความสงสัยของฉันค่อนข้างกว้างกว่าปกติ (อาจมากเกินไป) แต่มันถูกแก้ไขโดย Mr. Kolassa ตอนนี้คุณทำให้ฉันดูว่ามันอาจจะถูกต้องมากขึ้นถ้ามันถูก จำกัด ให้เป็น heteroskedasticity u^
Stefano R.
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.