GARCH模型的定义

ARCH模型的实质是使用残差平方序列的q阶移动平移拟合当期异方差函数值，由于移动平均模型具有自相关系数q阶截尾性，所以ARCH模型实际上只适用于异方差函数短期自相关系数。 
但是在实践中，有些残差序列的异方差函数是具有长期自关性，这时使用ARCH模型拟合异方差函数，将会产生很高的移动平均阶数，增加参数估计的难度并最终影响ARCH模型的拟合精度。 
为了修正个问题，提出了广义自回归条件异方差模型， 这个模型简记为GARCH（p,q）. 
GARCH模型实际上就是在ARCH的基础上，增加考虑异方差函数的p阶自回归性而形成，它可以有效的拟合具有长期记忆性的异方差函数。ARCH模型是GARCH模型的一个特例，p=0的GARCH（p,q）模型。

AR-GARCH模型

对序列拟合GARCH模型有一个基本要求：零均值，纯随机，异方差序列。 
有时回归函数不能充分提取原序列中的相关信息，可能具有自相关性，而不是纯随机的，这时需要对序列拟合自回归模型，再考察自回归模型的方差奇性，如果异方差，对它拟合GARCH模型。这样构造的模型为AR(m)-GARCH(p,q). 
分析拟合1979年12月31日至1991年12月31日外币对美元日兑换率序列：

w<-read.table("D:/R-TT/book4/4R/data/file23.csv",sep=",",header = T) x<-ts(w$exchange_rates,start=c(1979,12,31),frequency = 365) plot(x) 
 
   
 
 
  
    
  
1
 
  
    
  
2
 
  
    
  
3
 
 
   
 

讯享网 
外币对美元日兑换率序列时序图 
对差分序列性质的考察

讯享网plot(diff(x)) 
 
   
 
 
  
    
  
1
 
 
   
 

 
外币对美元日兑换率序列1阶差分时序图 
外币对美元日兑换率序列1阶差分自相关图

acf(diff(x)) 
 
   
 
 
  
    
  
1
 
 
   
 

 
外币对美元日兑换率序列1阶差分自相关图

讯享网pacf(diff(x)) 
 
   
 
 
  
    
  
1
 
 
   
 

 
外币对美元日兑换率序列1阶差分偏自相关图 
序列时序图显示序列非平稳，有明显的趋势特征，差分后序列时序图显示趋势消除，但是有明显的集群效应，所以分析该序列需要同时提取水平相关信息与波动相关信息。 
水平信息的提取是考察差分后的自相关性与偏相关性，拟合ARIMA(0,1,1)。

• 水平相关信息提取

#水平相关信息提取，拟合ARIMA(0,1,1)模型 x.fit<-arima(x,order = c(0,1,1)) x.fit Call: arima(x = x, order = c(0, 1, 1)) Coefficients: ma1 0.0357 s.e. 0.0143 sigma^2 estimated as 0.0002007: log likelihood = 13545.61, aic = -27087.22 
 
   
 
 
  
    
  
1
 
  
    
  
2
 
  
    
  
3
 
  
    
  
4
 
  
    
  
5
 
  
    
  
6
 
  
    
  
7
 
  
    
  
8
 
  
    
  
9
 
  
    
  
10
 
  
    
  
11
 
  
    
  
12
 
  
    
  
13
 
  
    
  
14
 
  
    
  
15
 
 
   
 

讯享网> #残差白噪声检验 > for (i in 1:6) print(Box.test(x.fit$residual,type = "Ljung-Box",lag=i)) Box-Ljung test data: x.fit$residual X-squared = 0.0005354, df = 1, p-value = 0.9815 Box-Ljung test data: x.fit$residual X-squared = 0.55102, df = 2, p-value = 0.7592 Box-Ljung test data: x.fit$residual X-squared = 2.6528, df = 3, p-value = 0.4483 Box-Ljung test data: x.fit$residual X-squared = 3.3062, df = 4, p-value = 0.5079 Box-Ljung test data: x.fit$residual X-squared = 6.8276, df = 5, p-value = 0.2338 Box-Ljung test data: x.fit$residual X-squared = 6.8306, df = 6, p-value = 0.3368  
 
   
 
 
  
    
  
1
 
  
    
  
2
 
  
    
  
3
 
  
    
  
4
 
  
    
  
5
 
  
    
  
6
 
  
    
  
7
 
  
    
  
8
 
  
    
  
9
 
  
    
  
10
 
  
    
  
11
 
  
    
  
12
 
  
    
  
13
 
  
    
  
14
 
  
    
  
15
 
  
    
  
16
 
  
    
  
17
 
  
    
  
18
 
  
    
  
19
 
  
    
  
20
 
  
    
  
21
 
  
    
  
22
 
  
    
  
23
 
  
    
  
24
 
  
    
  
25
 
  
    
  
26
 
  
    
  
27
 
  
    
  
28
 
  
    
  
29
 
  
    
  
30
 
  
    
  
31
 
  
    
  
32
 
  
    
  
33
 
  
    
  
34
 
  
    
  
35
 
  
    
  
36
 
  
    
  
37
 
  
    
  
38
 
 
   
 

该拟合模型的残差白噪声检验显示该模型显著成立，利用该拟合模型可以预测列未来的水平。

#水平预测，并绘制预测图 library(forecast) x.fore<-forecast(x.fit,h=365) plot(x.fore) 
 
   
 
 
  
    
  
1
 
  
    
  
2
 
  
    
  
3
 
  
    
  
4
 
 
   
 

 
外币对美元日兑换率序列日预测图

• 波动相关信息提取 
  波动信息的提取首先是考察ARIMA(0,1,1)模型的残差平方序列的异方差特征。

讯享网#条件异方差检验(Portmanteau Q检验) for (i in 1:6) print(Box.test(x.fit$residual^2,type = "Ljung-Box",lag=i)) Box-Ljung test data: x.fit$residual^2 X-squared = 82.803, df = 1, p-value < 2.2e-16 Box-Ljung test data: x.fit$residual^2 X-squared = 237.9, df = 2, p-value < 2.2e-16 Box-Ljung test data: x.fit$residual^2 X-squared = 343.33, df = 3, p-value < 2.2e-16 Box-Ljung test data: x.fit$residual^2 X-squared = 490.84, df = 4, p-value < 2.2e-16 Box-Ljung test data: x.fit$residual^2 X-squared = 602.1, df = 5, p-value < 2.2e-16 Box-Ljung test data: x.fit$residual^2 X-squared = 841.96, df = 6, p-value < 2.2e-16 
 
   
 
 
  
    
  
1
 
  
    
  
2
 
  
    
  
3
 
  
    
  
4
 
  
    
  
5
 
  
    
  
6
 
  
    
  
7
 
  
    
  
8
 
  
    
  
9
 
  
    
  
10
 
  
    
  
11
 
  
    
  
12
 
  
    
  
13
 
  
    
  
14
 
  
    
  
15
 
  
    
  
16
 
  
    
  
17
 
  
    
  
18
 
  
    
  
19
 
  
    
  
20
 
  
    
  
21
 
  
    
  
22
 
  
    
  
23
 
  
    
  
24
 
  
    
  
25
 
  
    
  
26
 
  
    
  
27
 
  
    
  
28
 
  
    
  
29
 
  
    
  
30
 
  
    
  
31
 
  
    
  
32
 
  
    
  
33
 
  
    
  
34
 
  
    
  
35
 
  
    
  
36
 
 
   
 

波动信息的提取首先是考察ARIMA(0，1，1)模型的残差平方序列的异方差特征，Portmanteau Q检验显示残差序列显著方差非齐性，且具有长期相关性，所以构造GARCH（1，1）模型，并根据该模型的拟合结果绘制波动的95%置信区间。

#拟合GARCH(1,1)模型 r.fit<-garch(x.fit$residual,order=c(1,1)) summary(r.fit) Call: garch(x = x.fit$residual, order = c(1, 1)) Model: GARCH(1,1) Residuals: Min 1Q Median 3Q Max -4.83074 -0.58407 0.02616 0.58758 4.54060 Coefficient(s): Estimate Std. Error t value Pr(>|t|) a0 2.133e-06 3.014e-07 7.077 1.48e-12 * a1 7.623e-02 5.456e-03 13.972 < 2e-16 * b1 9.144e-01 6.015e-03 152.009 < 2e-16 * --- Signif. codes: 0 ‘*’ 0.001 ‘’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Diagnostic Tests: Jarque Bera Test data: Residuals X-squared = 319.23, df = 2, p-value < 2.2e-16 Box-Ljung test data: Squared.Residuals X-squared = 0.28019, df = 1, p-value = 0.5966` 
 
   
 
 
  
    
  
1
 
  
    
  
2
 
  
    
  
3
 
  
    
  
4
 
  
    
  
5
 
  
    
  
6
 
  
    
  
7
 
  
    
  
8
 
  
    
  
9
 
  
    
  
10
 
  
    
  
11
 
  
    
  
12
 
  
    
  
13
 
  
    
  
14
 
  
    
  
15
 
  
    
  
16
 
  
    
  
17
 
  
    
  
18
 
  
    
  
19
 
  
    
  
20
 
  
    
  
21
 
  
    
  
22
 
  
    
  
23
 
  
    
  
24
 
  
    
  
25
 
  
    
  
26
 
  
    
  
27
 
  
    
  
28
 
  
    
  
29
 
  
    
  
30
 
  
    
  
31
 
  
    
  
32
 
 
   
 

讯享网#绘制波动置信区间 r.pred<-predict(r.fit) plot(r.pred) 
 
   
 
 
  
    
  
1
 
  
    
  
2
 
  
    
  
3
 
 
   
 

 
外币对美元日兑换率序列残差波动置信区间

GARCH衍生模型

GARCH模型给出了对波动性进行描述的方法，为大量的金融序列提供了有效的分析方法，它是迄今为至最常用的、最便捷的异方差序列拟合模型。但是，大量的使用经验表明，它也存在一些不足。 
一是它对参数的约束非常严格，无条件方差必须非负的要求，导致以参数非负的约束条件，同时有条件方差必须平稳的要求，要求参数有界。参数的约束条件一定程序上限制了GARCH模型的适用范围。 
二是它对正负扰动的反应是对称，扰动项是真实值与预测值之差。如果扰动项为正，说明真实值比预测值大，对于投资者而言就是获得超预期收益。如果扰动项为负，说明真实值比预测值小，对于投资者而言就是出现超预期亏损。 
为了拓展GARCH模型使用范围、提高GARCH模型的拟合精度，统计学家从不同的角度出发，构造了多个GARCH模型的衍生模型。 
1.指数GARCH模型（EGARCH) 
 
2.方差无穷GARCH模型(IGARCH) 
 
 
3.依均值GARCH模型(GARCH-M)