ความแตกต่างระหว่าง GARCH และ ARMA คืออะไร?


42

ฉันสับสน. ฉันไม่เข้าใจความแตกต่างของ ARMA และกระบวนการ GARCH .. สำหรับฉันแล้วมีเหมือนกันไหม?

นี่คือกระบวนการ (G) ARCH (p, q)

σt2=α0+i=1qαirti2ARCH+i=1pβiσti2GARCH

และนี่ก็เป็น ARMA ( ):p,q

Xt=c+εt+i=1pφiXti+i=1qθiεti.

ARMA เป็นเพียงส่วนขยายของ GARCH หรือไม่ GARCH ถูกใช้เพื่อผลตอบแทนเท่านั้นและด้วยสมมติฐานโดยที่ติดตามกระบวนการสีขาวที่แรงหรือไม่r=σεε


1
นอกเหนือจากคำตอบของ fg nu แล้วกระบวนการแปรปรวนใน GARCH นั้นแตกต่างกันไปตามเวลา อย่างไรก็ตามมีเคล็ดลับอยู่ที่นี่คือการกำหนดชุดการบันทึกเวลาคืนของ SP500 จากนั้นเพื่อให้ได้รับความผันผวนเราควรทำอย่างไร บางคนบอกว่าเราต้องใช้แบบจำลอง ARMA เพื่อถอนชุดข้อมูลที่เหลือแล้วเสียบชุดข้อมูลส่วนที่เหลือนี้เข้ากับแบบจำลอง GARCH เพื่อรับกระบวนการแปรปรวนแบบมีเงื่อนไข หรือเสียบปลั๊กกลับบันทึกโดยตรงกระบวนการบันทึกคืน SP500 ลงในรุ่น GARCH เพื่อรับความแปรปรวนแบบมีเงื่อนไข

คำตอบ:


48

คุณกำลังทำให้คุณสมบัติของกระบวนการเป็นตัวแทน พิจารณากระบวนการ (กลับ) (Y_t)(Yt)t=0

  • แบบจำลอง ARMA (p, q) ระบุค่าเฉลี่ยตามเงื่อนไขของกระบวนการเป็น

E(YtIt)=α0+j=1pαjYtj+k=1qβkϵtk
นี่เป็นชุดข้อมูล ณ เวลาซึ่งเป็น -algebra ที่สร้างขึ้นโดยค่าที่ล้าหลังของกระบวนการผลลัพธ์ .ทีσ( Y T )Ittσ(Yt)
  • โมเดล GARCH (r, s) ระบุความแปรปรวนแบบมีเงื่อนไขของกระบวนการ
    V(YtIt)=V(ϵtIt)σt2=δ0+l=1rδjσtl2+m=1sγkϵtm2

หมายเหตุโดยเฉพาะอย่างยิ่งคนแรกที่เท่าเทียม_t)V(YtIt)=V(ϵtIt)

นอกเหนือ : จากการเป็นตัวแทนนี้คุณสามารถเขียน โดยที่เป็นกระบวนการที่มีสัญญาณรบกวนสีขาวที่แข็งแกร่ง แต่สิ่งนี้ตามมาจากวิธีที่กระบวนการกำหนดไว้ซีที

ϵtσtZt
Zt
  • ทั้งสองรุ่น (สำหรับค่าเฉลี่ยตามเงื่อนไขและความแปรปรวน) สามารถใช้งานร่วมกันได้อย่างสมบูรณ์แบบโดยที่ค่าเฉลี่ยของกระบวนการสามารถสร้างแบบจำลองเป็น ARMA และความแปรปรวนเป็น GARCH สิ่งนี้นำไปสู่ข้อกำหนดที่สมบูรณ์ของโมเดล ARMA (p, q) -GARCH (r, s) สำหรับกระบวนการดังต่อไปนี้ในการเป็นตัวแทน
    Yt=α0+j=1pαjYtj+k=1qβkϵtk+ϵtE(ϵtIt)=0,tV(ϵtIt)=δ0+l=1rδlσtl2+m=1sγmϵtm2t

คุณไม่ควร จำกัด ข้อมูลในเวลาหาก regressors ทั้งหมดล่าช้า t1
Jase

@Jase หมายเหตุคำจำกัดความ "ที่นี่เป็นชุดข้อมูล ณ เวลาซึ่งคือ -algebra ที่สร้างโดยค่าที่ล้าหลังของกระบวนการผลลัพธ์ " นั่นคือldots) นักเขียนบางคนเขียนนี้เป็นแต่ที่สวนทางกับความคิดของชุดข้อมูลในเวลาทีIttσ(Yt)It=σ(Yt1,Yt2,)It1t
tchakravarty

ดี! คุณรู้ไหมว่าทำไมเราถึงใช้ซิกม่าพีชคณิตไม่ใช่การกรอง?
Jase

1
@Jase ลำดับของชุดข้อมูลถือว่ากรอง (It)t=0
tchakravarty

15

แก้ไข:ฉันรู้ว่าคำตอบไม่เพียงพอและได้ให้คำตอบที่แม่นยำยิ่งขึ้น (ดูด้านล่าง - หรืออาจสูงกว่า) ฉันได้แก้ไขอันนี้สำหรับความผิดพลาดจริงและฉันปล่อยให้บันทึก


พารามิเตอร์โฟกัสที่แตกต่างกัน:

  • ARMA เป็นแบบจำลองสำหรับการรับรู้ของกระบวนการสุ่มที่กำหนดโครงสร้างเฉพาะของค่าเฉลี่ยตามเงื่อนไข ของกระบวนการ
  • GARCH เป็นแบบจำลองสำหรับการรับรู้ของกระบวนการสโตแคสติกซึ่งกำหนดโครงสร้างเฉพาะของความแปรปรวนแบบมีเงื่อนไข ของกระบวนการ

Stochastic เทียบกับโมเดลที่กำหนดขึ้น:

  • ARMA เป็นรูปแบบสุ่มในแง่ที่ว่าตัวแปร - ความเข้าใจของกระบวนการสุ่ม - มีการระบุเป็นผลรวมของฟังก์ชั่นที่กำหนดของตัวแปรขึ้นอยู่รั้งท้ายและข้อผิดพลาด lagged รุ่น (หมายถึงเงื่อนไข) และคำที่ผิดพลาดสุ่ม
  • GARCH เป็นรูปแบบที่กำหนดขึ้นในแง่ที่ว่าตัวแปรตาม - ความแปรปรวนแบบมีเงื่อนไขของกระบวนการ - เป็นฟังก์ชันที่กำหนดอย่างหมดจดของตัวแปรที่ล้าหลัง

1
ความแปรปรวนเงื่อนไขของกระบวนการ GARCH เป็นกำหนดขึ้นในความรู้สึกที่คุณกำหนด, buth กระบวนการ GARCH ไม่ได้ตั้งแต่และเป็นอิสระจากความล่าช้าของเสื้อrt=σtεtεtt
mpiktas

1
@mpiktas, จริง หากแบบจำลอง GARCH มีสองสมการสมการหนึ่งสำหรับเงื่อนไขที่มีเงื่อนไข (ตัวอย่างที่คุณเขียนด้านบน) และอีกอันสำหรับความแปรปรวนแบบมีเงื่อนไข (ซึ่งสังหรณ์ใจแม้ว่าจะไม่ใช่ทางคณิตศาสตร์ "สมการหลัก" ของแบบจำลอง) กับสมการหลัง
Richard Hardy

10

ARMA

พิจารณาที่ตามหลังกระบวนการ ARMA ( ) สมมติว่าความเรียบง่ายมีค่าเฉลี่ยศูนย์และความแปรปรวนคงที่ เงื่อนไขเกี่ยวกับข้อมูล ,สามารถแบ่งออกเป็นที่รู้จักกัน (ที่กำหนดไว้) ส่วนหนึ่ง (ซึ่งเป็นค่าเฉลี่ยของเงื่อนไขรับ ) และเป็นส่วนหนึ่งที่สุ่ม :ytp,qIt1ytμtytIt1ut

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

โดยที่คือความหนาแน่นD

ความหมายตามเงื่อนไข นั้นทำตามกระบวนการคล้ายกับ ARMA ( ) แต่ไม่มีเงื่อนไขข้อผิดพลาดเกิดขึ้นพร้อมกันแบบสุ่ม: ที่ ; สำหรับ ; และสำหรับ Q หมายเหตุว่ากระบวนการนี้มีการสั่งซื้อ ( ) มากกว่า ( ) เช่นเดียวกับy_tμtp,q

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

นอกจากนี้เรายังสามารถเขียนการแจกแจงแบบมีเงื่อนไขของในรูปของหมายถึงเงื่อนไขที่ผ่านมา (แทนที่จะเป็นค่าที่รับรู้ในอดีต) และพารามิเตอร์แบบจำลองเป็นyt

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

การแสดงหลังทำให้การเปรียบเทียบ ARMA กับ GARCH และ ARMA-GARCH ง่ายขึ้น

GARCH

พิจารณาที่ตามหลังกระบวนการ GARCH ( ) สมมติว่าความเรียบง่ายมันมีค่าเฉลี่ยคงที่ แล้วก็yts,r

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

โดยที่และคือความหนาแน่นut:=ytμtD

เงื่อนไขแปรปรวน ต่อไปนี้เป็นกระบวนการที่คล้ายกับ ARMA ( ) แต่โดยไม่ต้องคำข้อผิดพลาดแบบสุ่มสมัยσt2s,r

ARMA-GARCH

พิจารณาที่มีค่าเฉลี่ยศูนย์แบบไม่มีเงื่อนไขและทำตามกระบวนการ ARMA ( ) -GARCH ( ) แล้วก็ytp,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),

โดยที่ ; คือความหนาแน่นบางส่วนเช่นปกติ สำหรับ ; และสำหรับ Q D φ i = 0 i > p θ j = 0 j > qut:=ytμtDφi=0i>pθj=0j>q


เฉลี่ยเงื่อนไขกระบวนการเนื่องจาก ARMA มีหลักรูปร่างเช่นเดียวกับความแปรปรวนเงื่อนไขกระบวนการเนื่องจาก GARCH เพียงคำสั่งล่าช้าอาจแตกต่างกัน (ให้สำหรับค่าเฉลี่ยภัณฑ์ไม่มีเงื่อนไขของไม่ควรเปลี่ยนผลนี้อย่างมีนัยสำคัญ) ที่สำคัญไม่มีเงื่อนไขข้อผิดพลาดแบบสุ่มเมื่อถูก จำกัด ในดังนั้นทั้งสองจะถูกกำหนดไว้ล่วงหน้าฉันที- 1ytIt1


3

กระบวนการ ARMA และ GARCH นั้นคล้ายคลึงกันมากในการนำเสนอ เส้นแบ่งระหว่างสองเส้นนั้นบางมากเนื่องจากเราได้ GARCH เมื่อกระบวนการ ARMA ถูกสมมติขึ้นสำหรับความแปรปรวนของข้อผิดพลาด

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.