11820022912712538 4424137200681391421921625364224 - arch...
TRANSCRIPT
時間序列分析
–總體經濟與財務金融之應用–
ARCH-GARCH 模型
陳旭昇
2013.12
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 1 / 36
1 時間序列的波動性
2 ARCH 模型
3 GARCH 模型
4 檢定 ARCH 效果
5 GARCH 模型的擴充
6 GARCH 模型的最大概似估計
7 GARCH 模型的實例應用: 央行在外匯市場的干預
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 2 / 36
時間序列的波動性
時間序列的波動性
所謂時間序列的波動性就是資產報酬的條件變異數 (conditional
variance)。 之前各章的討論中, 都假設時間序列的條件變異數不會因時
點 t 改變而改變。 舉例來說, 考慮簡單的 AR(1) 模型:
yt+1 = β1yt + εt+1 ,εt ∼i.i.d . (0, σ2).
因此, yt+1 條件期望值
Et(yt+1) = Et(β1yt + εt+1) = β1yt會隨著時點 t 改變而改變。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 3 / 36
時間序列的波動性
時間序列的波動性
yt+1 條件變異數
Vart(yt+1) = Vart(β1yt + εt+1)= Vart(β1yt) + Vart(εt+1)= β2
1Vart(yt) + Var(εt+1)= 0 + σ2 = σ2
卻不會因時點 t 改變而改變。 其中 Vart(yt) = 0 係因為 yt 在給定 t 期的
資訊集合下為常數。 而 Vart(εt+1) = Var(εt+1)係因為 εt 為 i.i.d. 序列。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 4 / 36
時間序列的波動性
時間序列的波動性
一般而言, 資產報酬序列有以下重大特徵:
1 條件變異數似乎是因時點 t 改變而改變。
2 波動具有很強的持續性, 亦即大波動伴隨著大波動, 小波動緊跟著小
波動, 是謂 「波動的群聚現象」(volatility clustering)。
3 資產報酬序列的實證分配 (empirical distribution) 具有厚尾
(heavy tail) 現象 (極端值較多)。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 5 / 36
時間序列的波動性
例子: 道瓊指數月報酬率
圖 : 道瓊指數月報酬率, 1990:1–1999:12
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 6 / 36
時間序列的波動性
例子: 道瓊指數月報酬率
上圖畫出了道瓊指數月報酬率 (monthly returns of the Dow-Jones
index), 1990:1–1999:12。 我們不難看出之前提到的特徵:
波動因時點改變而改變以及群聚現象。
資產報酬序列的實證分配比常態分配更為高狹, 尾部的機率密度較
高。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 7 / 36
時間序列的波動性
例子: 道瓊指數月報酬率
圖 : 道瓊指數月報酬率實證分配 (實線)與標準常態分配 (虛線)
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 8 / 36
時間序列的波動性
例子: 道瓊指數月報酬率
將道瓊指數月報酬率的實證分配 (實線) 與標準常態分配 (虛線) 畫在上
圖。 顯然地, 常態分配並不適用於股票報酬, 股票報酬的分配較高 (taller)
也較瘦 (skinner), 且存在較厚的尾部 (fatter tails)。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 9 / 36
時間序列的波動性
時間序列的波動性
資產報酬序列之三大特點: 因時而變, 群聚現象與厚尾現象, 都可以利用
ARCH-GARCH 模型捕捉。 然而, 必須強調的是,
模型是一個完全單純的統計模型, 它只是 「捕捉」 到資產報酬序列的
特徵, 卻不是用來 「解釋」 為何資產報酬序列有這些特徵。
它只是提供了一個 「機械式」 的方法 (mechanical way) 來描繪資產
報酬序列的條件變異數。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 10 / 36
ARCH 模型
ARCH 模型
ARCH 模型全名為 「自我迴歸條件異質變異」 模型 (AutoRegressive
Conditional Heteroskedasticity Model), 係由 Robert Engle 所提出。 考
慮以下資產報酬模型,
yt = µ + εt , (1)
其中E(εt) = 0, E(ε2t ) = σ 2 > 0, 且 E(εtεt− j) = 0, ∀ j ≠ 0.
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 11 / 36
ARCH 模型
ARCH 模型
ARCH 模型的主要概念就是,既然波動具有群聚現象,何不就令 εt 的條件變異數 σ2
t 與前期報酬率平方有正相關:
σ 2t = c +
q∑i=1
αi ε2t−i + ut , (2)
其中
ut ∼i .i .d . WN(0, 1).如果 εt 的條件變異數如上所示, 則我們稱 εt 服從一 ARCH(q) 過程
(ARCH(q) process), 以
εt ∼ ARCH(q)示之。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 12 / 36
ARCH 模型
ARCH 模型
為了保證 εt > 0, 我們必須限制 c ≥ 0, αi ≥ 0, ∀i, 且1 − α1z − α2z
2 −⋯− αqzq = 0,
的所有根都要落在單位圓之外。 把這些條件彙整在一起, 也就是要求
q∑i=1
αi < 1.總結來說, 最簡單的 ARCH 模型中包含兩個方程式。
1 均數方程式: 資產報酬率的均數為常數, 如式 (1) 所示。 對於均數方
程式, 我們可以設定成更為複雜的 ARMA 模型。
2 變異數方程式: 它的變異數與前期的報酬率平方有正相關, 如式 (2)
所示。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 13 / 36
ARCH 模型
ARCH 模型
我們可以用另一種方式表示 ARCH(q) 過程。
定義 (ARCH(q) 過程)
εt = √htvt ,
其中 vt ∼i .i .d . (0, 1),ht = c + q∑
i=1
αi ε2t−i ,
且對於所有 i > 0, vt 與 εt−i 為獨立。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 14 / 36
ARCH 模型
ARCH 模型
因此, 我們可以得到以下結果。
1 ht 就是 εt 二階動差的條件期望值,
Et−1(ε2t) = E(ε2t ∣It−1),= E(ε2t ∣εt−1 , εt−2 , . . .),= c + q∑
i=1
αiε2t−i ,
= ht .
2 εt 的條件期望值為零,
Et−1(εt) = E(εt ∣It−1) = 0.陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 15 / 36
ARCH 模型
ARCH 模型
3 εt 的期望值為零,
E(εt) = 0.4 εt 無序列相關,
E(εtεt− j) = 0, for j ≠ 0.5 εt 的變異數為
σ2 = E(ε2t) = c
1 −∑qi=1 αi
.
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 16 / 36
GARCH 模型
GARCH 模型
Bollerslev(1986)將 ARCH 過程擴充為一般化 ARCH 過程 (Generalized
AutoRegressive Conditional Heteroskedasticity), 簡稱 GARCH 過程。
定義 (GARCH(p,q) 過程)
εt = vt√ht ,
其中 vt ∼i .i .d . (0, 1)且
ht = c + q∑i=1
αi ε2t−i +
p∑j=1
β jht− j .
且對於所有 i > 0, vt 與 εt−i 為獨立。 我們稱之 GARCH(p,q) 過程 (GARCH(p,q)
process)。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 17 / 36
GARCH 模型
GARCH 模型
顯然地,
σ2t = Et−1(ε2t) = ht .
此外, 為了保證 σ2t > 0, 我們必須限制 αi ≥ 0 for all i, β j ≥ 0 for all j 且
q∑i=1
αi + p∑j=1
β j < 1.最後值得注意的是, εt 的非條件變異數為
σ2 = c
1 −∑qi=1 αi −∑p
j=1 β j
.
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 18 / 36
檢定 ARCH 效果
檢定 ARCH 效果
Engle(1982)建議以殘差來檢定 ARCH 效果。
步驟一: 對於均數建構一個適當的 ARMA 模型, 並得到殘差 εt與
殘差的平方 ε2t。步驟二: 估計以下迴歸式
ε2t = a0 + a1ε2t−1 .
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 19 / 36
檢定 ARCH 效果
檢定 ARCH 效果
如果不存在 ARCH 效果, 則隱含 a1 = 0, 你可以據此檢定 ARCH 效果
存在與否。
如果不存在 ARCH 效果, 則此迴歸式的解釋能力非常小, 判定係數
R2 也會很小。 在 「沒有 ARCH 效果」 的虛無假設成立下,
T × R2 dÐ→ χ2(1).
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 20 / 36
GARCH 模型的擴充
GARCH-M 模型
財務市場上, 持有具風險之資產往往會要求風險貼水, 亦即部分之資產報酬會由風險 (波動) 所決定。 這樣的模型係由 Engle et al. (1987) 所提出,稱之為 GARCH in Mean 模型, 簡稱 GARCH-mean。
yt = µt + εt ,µt = β + δht ,
εt = vt√ht ,
ht = c + q∑i=1
αi ε2t−i +
p∑j=1
β jht− j ,
vt ∼i .i .d . (0, 1).亦即, 在均數方程式中, 我們設定 µt 為 ht 的函數。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 21 / 36
GARCH 模型的擴充
自積 GARCH 模型
在 GARCH(p, q) 模型中, 如果我們要求
q∑i=1
αi + p∑j=1
β j = 1,則 Engle and Bollerslev(1986)稱之為自積 GARCH 模型 (integrated
GARCHmodel), 簡稱 IGARCH。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 22 / 36
GARCH 模型的擴充
指數 GARCH 模型
注意到
εt = √htvt ,
vt ∼i.i.d . (0, 1).為了捕捉資產報酬為正或是為負對於財務波動產生非對稱效果, 亦即壞
消息 (負的資產報酬) 對於資產報酬未來的波動較好消息 (正的資產報酬)
的影響來得大。 這種現象又稱 「槓桿效應」(leverage eect)。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 23 / 36
GARCH 模型的擴充
指數 GARCH 模型
Nelson(1991)提出一個新的設定: 指數 GARCH 模型以捕捉當期資產報
酬與資產報酬未來的波動之間的不對稱關係。
log ht = c + q∑i=1
αi g(vt−i) + p∑j=1
γ j log ht− j ,
g(vt) = θvt + ∣vt ∣ − E∣vt∣,vt = εt√
ht
,
vt ∼i.i.d . N(0, 1).注意到給定 vt 為標準常態, 則
E∣vt∣ = ( 2π)0.5
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 24 / 36
GARCH 模型的擴充
指數 GARCH 模型
我們將 EGARCH 模型的性質彙整如下。
1 如果 vt 為正向的衝擊 (vt > 0), 則 g(vt)為 vt 的線性函數且斜率為
θ + 1。 如果 vt 為負向的衝擊 (vt < 0), 則 g(vt)為 vt 的線性函數且斜
率為 θ − 1。 這就是 「槓桿效應」。
2 在變異數方程式放的是 εt−i 的標準數: vt−i = (εt−i/√ht−i), 而非 εt−i本身。
3 由於變異數方程式設定為條件變異數的對數,則 EGARCH 在估計時,
不須限制係數必須為正。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 25 / 36
GARCH 模型的最大概似估計
GARCH 模型的最大概似估計
我們以一個簡單的迴歸模型為例子, 說明如何利用最大概似法估計
GARCH 模型。yt = b0 + b1xt + εt ,
εt = vt√ht ,
ht = c + α1ε2t−1 ,
vt ∼i .i .d . N(0, 1).則最大概似函數可以寫成
L = T∏t=1
( 1√2πht
) exp(−ε2t2ht
) .
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 26 / 36
GARCH 模型的最大概似估計
GARCH 模型的最大概似估計
因此, 對數最大概似函數為
lnL = −T2ln(2π) − 1
2
T∑i=1
ln ht − 1
2
T∑i=1
( ε2tht) ,
= −T − 12
ln(2π) − 1
2
T∑i=2
ln(c + α1ε2t−1)
− 1
2
T∑i=2
[(yt − b0 − b1xt)2c + α1ε2t−1
] .由於一階條件為非線性函數,我們必須以數值方法來找出 c, α1 , b0 以及 b1 的極大值。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 27 / 36
GARCH 模型的實例應用: 央行在外匯市場的干預
實例應用: 央行在外匯市場的干預
在國際金融理論中, 匯率的波動主要來自以下三種因素:
1 市場基本面的波動 (volatility in market fundamentals),
2 預期的變動 (changes in expectations)
3 投機活動 (speculative activities)。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 28 / 36
GARCH 模型的實例應用: 央行在外匯市場的干預
實例應用: 央行在外匯市場的干預
我們可以由一個簡單的理性預期匯率資產定價模型 (asset-pricing
model) 來討論這些因素:
et = (1 − δ) ∞∑j=0
δ jE( ft+ j ∣Ωt), (3)
其中, et 為名目匯率, Ωt 為第 t 期的資訊集合, δ 為折現因子 (discount
factor), 而 ft 就是第 t 期的基本面總體經濟變數。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 29 / 36
GARCH 模型的實例應用: 央行在外匯市場的干預
實例應用: 央行在外匯市場的干預
首先, 市場基本面 ft 包含實質產出, 利率水準以及貨幣政策等總體
經濟變數, ft 的變動將直接影響匯率的波動。 相對而言, 預期的變動
則是透過 Ωt 的改變影響匯率的波動。 預期的變動可能來自於 (a) 對
未來市場基本面預期的改變, 以及 (b) 市場參與者對自己的預期的
信心程度 (亦即對於自己預期的正確性有多大把握)。
舉例來說, 如果投資人對於自己的預期充滿不確定感, 則任何新的資
訊進入市場, 都會使投資人不斷更新他的預期, 進而不斷改變其交易
決策, 最終造成匯率的波動。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 30 / 36
GARCH 模型的實例應用: 央行在外匯市場的干預
實例應用: 央行在外匯市場的干預
最後, 匯率的波動可能來自與市場基本面 (現今的基本面或是預期
的未來基本面) 完全無關的投機活動。 譬如, 自我預言實現的匯價變
動 (self-fullling exchange rate movements) 或是雜訊交易行為
(noise trading) 的存在等。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 31 / 36
GARCH 模型的實例應用: 央行在外匯市場的干預
實例應用: 央行在外匯市場的干預
探討央行的外匯市場干預如何影響匯率的波動, 事實上就是探討央行干
預如何影響上述三種因素。 如果央行所執行的是沖銷性干預, 則干預政
策並不會造成第一項基本面因素的變動。 然而, 無論是沖銷性干預或是
非沖銷性干預, 央行的干預 (以下以 It 表示) 會將 (3) 式改變成:
et = (1 − δ) ∞∑j=0
δ jE( ft+ j∣Ωt + It). (4)
此時, 央行的干預行為或是央行的干預宣告, 就如同是一個進入資訊集合
的 「訊號」 (signal), Ωt + It > Ωt。 而央行的干預可能增加或是降低匯率
的波動, 端賴 It 的性質而定。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 32 / 36
GARCH 模型的實例應用: 央行在外匯市場的干預
實例應用: 央行在外匯市場的干預
考慮以下簡單的 GARCH(2,1) 模型:
yt = µ + ρyt−1 + εt ,εt = vt√ht ,
vt ∼i.i.d . (0, 1),ht = c + α1ε
2t−1 + α2ε
2t−2 + βht−1 + θ∣∆xt ∣.
其中, yt 為外匯報酬, xt 為外匯存底。 由於台灣的央行並未公布其外匯買
賣之細節, 故我們無法得知央行之干預金額, 只能以外匯存底變動的絕對
值 ∣∆xt ∣作為央行干預金額, It , 的替代變數。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 33 / 36
GARCH 模型的實例應用: 央行在外匯市場的干預
實例應用: 央行在外匯市場的干預
圖 : ARCH/GARCH 效果檢定
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 34 / 36
GARCH 模型的實例應用: 央行在外匯市場的干預
實例應用: 央行在外匯市場的干預
圖 : 外匯報酬的 GARCH(2,1) 模型估計結果
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 35 / 36
GARCH 模型的實例應用: 央行在外匯市場的干預
實例應用: 央行在外匯市場的干預
顯然地, 由於 θ = 0.030696 > 0, 亦即
θ = ∂σ2t
∂∣ xt ∣ > 0,代表央行的干預並無法有效降低匯率的的波動程度, 反而會加劇其
不穩定性!
簡而言之, 若外匯市場具有效率性, 而且央行的宣示或行動是可信且
明確, 則干預政策可以降低匯率的波動。
循此角度解釋, 對於外匯市場的交易者而言, 台灣央行的宣示或行動
可能是模糊或不盡可信的, 匯率干預行動因而提高了匯市的不確定
性, 導致匯率波動擴大。
陳旭昇 (國立台灣大學經濟學系) 時間序列分析–總體經濟與財務金融之應用– 2013.12 36 / 36