ЭКОНОМЕТРИКА и математическая экономика / Эконометрика. Учебник продвинутый (2005)
.pdf16.5 Упражнения и задачи |
543 |
12.Утверждается, что «модель GARCH более компактна, чем модель ARCH». Что при этом имеется в виду? Почему важна «компактность» модели?
13.Докажите, что процесс GARCH(p, q) не автокоррелирован.
14.Докажите, что процесс GARCH(p, q) является белым шумом, если существует его безусловная дисперсия.
15.Пользуясь представлением квадратов процесса GARCH(1, 1) в виде ARMA(1, 1) выведите их автокорреляционную функцию.
16.Запишите автокорреляционную функцию квадратов процесса GARCH(1, 1). Покажите, что при значении суммы коэффициентов δ1 + γ1 , приближающемся к 1 (но меньшем 1) автокорреляционная функция затухает медленно. Покажите, что при фиксированном значении суммы коэффициен-
тов δ1 + γ1 = ϕ (0 < ϕ < 1), автокорреляция тем слабее, чем меньше γ1 , и стремится к нулю при γ1 → 0.
17.Рассмотрите следующую модель с авторегрессионной условной гетероскедастичностью:
σ2 |
= ω + δσ2 |
+ γ[f (ε |
)]2, |
t |
t 1 |
t−1 |
|
|
− |
|
|
где f (z) = |z| − ϕz.
а) Укажите значения параметров, при которых эта модель сводится к обычной модели GARCH.
б) Утверждается, что в этой модели имеет место асимметричность влияния «шоков» εt на условную дисперсию. Что при этом имеется в виду? При каких значениях параметров влияние будет симметричным?
18.Запишите модель GARCH(1, 1)-M с квадратным корнем условной дисперсии в уравнении регрессии (с расшифровкой обозначений).
19.Рассмотрите модель AR(1) с независимыми одинаково распределенными ошибками и модель AR(1) с ошибками, подчиняющимися процессу GARCH.
а) Объясните, почему точечные прогнозы по этим двум моделям не будут отличаться.
б) Как будут отличаться интервальные прогнозы?
20.Пусть имеется некоторый процесс с авторегрессионной условной гетероскедастичностью εt , задаваемый моделью
σ2 = var(εt|Ωt−1) = h(σ2−1, . . . , σ2− , ε2−1, . . . , ε2− ),
t t t p t t q
544 |
Модели с авторегрессионной условной . . . |
где Ωt−1 — предыстория процесса, h(·) — некоторая функция и εt = ξtσt. Предполагается, что инновации ξt имеют стандартное нормальное распределение и не зависят от предыстории Ωt−1 . Найдите куртозис εt, если известно, что E(σt2) = 5, E(σt4) = 100. О чем говорит величина куртозиса?
21.Докажите, что эксцесс распределения отдельного наблюдения εt процесса
ARCH(1)
εt = ξtσt, σ2 = ω + γε2−1, ξt N ID(0, 1)
t t
6γ2
равен 1 − 3γ2 .
22.Какие сложности возникают при построении прогнозных интервалов процесса GARCH с заданным уровнем доверия (например, 95%)? Каким способом можно обойти эту проблему?
23.Почему модель GARCH не подходит для прогнозирования автокоррелированных временных рядов?
Рекомендуемая литература
1.Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика — начальный курс. — М.: «Дело», 2000. (Гл. 12).
2.Предтеченский А.Г. Построение моделей авторегрессионной условной гетероскедастичности (ARCH) некоторых индикаторов российского финансового рынка (дипломная работа), ЭФ НГУ, 2000.
( ).
3.Шепард Н. Статистические аспекты моделей типа ARCH и стохастическая волатильность. Обозрение прикладной и промышленной математики. Т. 3, вып. 6. — 1996.
4.Baillie Richard T. and Tim Bollerslev. Prediction in Dynamic Models with Time Dependent Conditional Variances // Journal of Econometrics, No. 52, 1992.
5.Bera A.K. and Higgins M.L. ARCH Models: Properties, Estimation and Testing // Journal of Economic Surveys, No. 7, 1993.
6.Bollerslev T., Engle R.F. and Nelson D.B. ARCH Models // Handbook of Econometrics. Vol. IV. Ch. 49. — Elsevier Science, 1994.
16.5 Упражнения и задачи |
545 |
7.Bollerslev Tim. Generalized Autoregressive Conditional Heteroskedasticity // Journal of Econometrics, No. 31, 1993.
8.Bollerslev Tim, Ray Y. Chou and Kenneth F. Kroner. ARCH Modeling in Finance: A Review of the Theory and Empirical Evidence // Journal of Econometrics, No. 52, 1992.
9.Campbell John Y., Lo Andrew W., MacKinlay A. Craig. The Econometrics of Financial Markets. — Princeton University Press, 1997. (Ch. 12).
10.Diebold, Francis X. and Jose A. Lopez Modeling Volatility Dynamics, Macroeconometrics: Developments, Tensions and Prospects. — Kluwer Academic Press, 1995.
11.Engle, Robert F. Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of U.K. Inflation // Econometrica, No. 50, 1982.
12.Greene W.H. Econometric Analysis. — Prentice-Hall, 2000. (Ch. 18).
13.Hamilton James D. Time Series Analysis. Ch. 21. — Princeton University Press, 1994.
14.Mills Terence C. The Econometric Financial Modelling Time Series. — Cambridge University Press, 1999. (Ch. 4).
Глава 17
Интегрированные процессы, ложная регрессия
икоинтеграция
17.1.Стационарность и интегрированные процессы
Для иллюстрации различия между стационарными и нестационарными случайными процессами рассмотрим марковский процесс, т.е. авторегрессию первого порядка:
xt = µ + ϕxt−1 + εt,
или
(1 − ϕL)xt = µ + εt.
В данной модели xt — не центрированы.
Будем предполагать, что ошибки εt — независимые одинаково распределенные случайные величины с нулевым математическим ожиданием и дисперсией σε2 . Как известно, при |ϕ| < 1 процесс авторегрессии первого порядка слабо стационарен и его можно представить в виде бесконечного скользящего среднего:
x |
t |
= |
µ + εt |
= |
µ |
+ |
∞ ϕiε |
. |
|
|
|
||||||||
|
1 |
− ϕL |
|
1 − ϕ |
|
t−i |
|
||
|
|
|
|
i=0 |
|
17.1. Стационарность и интегрированные процессы |
547 |
Условие |ϕ| < 1 гарантирует, что коэффициенты ряда затухают. Математиче-
µ
ское ожидание переменной xt постоянно: E(xt) = 1 − ϕ . Дисперсия равна
|
∞ |
|
|
σ2 |
|
|
var(x |
) = |
ϕ2ivar(ε |
) = |
ε |
. |
|
1 − ϕ2 |
||||||
t |
i=0 |
t−i |
|
|
Найдем также автоковариации процесса:
|
|
|
|
∞ |
|
|
∞ |
|
|
ϕk |
|
γ |
= cov(x |
, x |
t−k |
) = |
ϕi+k ϕiσ2 |
= ϕk |
|
ϕ2iσ2 |
= |
|
σ2. |
|
1 − ϕ2 |
||||||||||
k |
t |
|
i=0 |
ε |
|
i=0 |
ε |
|
ε |
Таким образом, рассматриваемый процесс слабо стационарен, поскольку слабое определение стационарности требует, чтобы математическое ожидание xt было постоянным, а ковариации не зависели от времени, но только от лага. На самом деле, поскольку ошибки εt одинаково распределены, то он стационарен и в строгом смысле.
При |ϕ| > 1 это будет взрывной процесс. Такие процессы рассматриваться не будут.
Как известно (см. гл. 14), авторегрессионный процесс первого порядка при ϕ = 1 называют случайным блужданием. Если µ = 0, то это просто случайное блуждание, а при µ = 0 это случайное блуждание с дрейфом.
У процесса случайного блуждания, начавшегося бесконечно давно, не существует безусловного математического ожидания и дисперсии. За бесконечное время процесс «уходит в бесконечность», его дисперсия становится бесконечной. В связи с этим будем рассматривать все моменты процесса случайного блуждания как условные, т.е. будем действовать так, как если бы x0 была детерминированной величиной. Выразим xt через x0 :
t
xt = x0 + µt + εi.
i=1
Таким образом, константа (дрейф) в авторегрессионной записи процесса приводит к появлению линейного тренда в xt. Мы получили разложение процесса xt на две составляющие: детерминированный линейный тренд µt и случайное блуж-
дание ε = x0 + |
t |
εi , такое что ошибка εt представляет собой его приросты: |
t |
i=1 |
|
εt = ∆εt . Вторую составляющую, как мы помним, называют стохастическим трендом, поскольку влияние каждой ошибки не исчезает со временем.
548 |
|
|
|
|
Интегрированные процессы... |
||||
|
|
ϕ = 0.1 |
|
|
|
ϕ = 0.9 |
|
|
|
4 |
|
|
|
|
15 |
|
|
|
|
2 |
|
|
|
|
10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
K2 |
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
K5 |
|
|
|
|
20 |
40 |
60 |
80 |
100 |
20 |
40 |
60 |
80 |
100 |
|
|
ϕ = 1 |
|
|
|
|
ϕ = 1.02 |
|
|
50 |
|
|
|
|
160 |
|
|
|
|
40 |
|
|
|
|
120 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
30 |
|
|
|
|
|
|
|
|
|
20 |
|
|
|
|
80 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
10 |
|
|
|
|
40 |
|
|
|
|
0 |
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
20 |
40 |
60 |
80 |
100 |
20 |
40 |
60 |
80 |
100 |
Рис. 17.1. Поведение процесса AR(1) в зависимости от значения ϕ
Используя данное представление, найдем математическое ожидание и дисперсию:
E(xt|x0) = x0 + µt.
tt
var(xt|x0) = var |
εi = |
var (εi) = tσε2. |
(17.1) |
i=1 |
|
i=1 |
|
Дисперсия со временем растет линейно до бесконечности.
Случайное блуждание является примером авторегрессионого процесса с единичным корнем. Это название следует из того, что при ϕ = 1 корень характеристического многочлена 1 −ϕL, соответствующего процессу AR(1), равен единице.
Рисунок 17.1 иллюстрирует поведение марковских процессов при различных коэффициентах авторегрессии. На каждом из графиков изображены 20 рядов длиной T = 100, случайно сгенерированных по формуле xt = 0.3 + ϕxt−1 + εt с разными значениями ϕ: 1) ϕ = 0.1; 2) ϕ = 0.9; 3) ϕ = 1; 4) ϕ = 1.02. Во всех случаях использовалось стандартное нормальное распределение для εt и x0 = 0.
Добавим к стационарному процессу AR(1) детерминированный тренд µ1t:
xt = µ0 + µ1t + ϕxt−1 + εt.
17.1. Стационарность и интегрированные процессы |
|
|
|
549 |
||||||||||||||||||||
Тогда |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
µ0 + µ1t + εt |
|
|
µ0 |
|
|
|
|
∞ |
|
∞ |
|
|
|
|
|
||||||||
xt = |
|
|
|
|
|
|
= |
|
|
|
+ µ1 i=0 ϕi(t − i) + i=0 ϕiεt−i = |
|
|
|
||||||||||
|
|
1 − ϕL |
|
1 − ϕ |
∞ |
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
µ0 |
|
∞ |
µ1 |
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
= |
|
|
− µ1 i=0 iϕi + |
|
|
t + i=0 ϕiεt−i. |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
1 − ϕ |
1 − ϕ |
||||||||||
Ряд |
|
∞ iϕi сходится, поскольку i возрастает линейно, а ϕi |
убывает экспо- |
|||||||||||||||||||||
|
|
i=0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ϕ |
|||
|
|
|
|
|
|ϕ| < 1, т.е. значительно быстрее. Его сумма равна |
|||||||||||||||||||
ненциально при |
|
. |
||||||||||||||||||||||
(1 − ϕ)2 |
||||||||||||||||||||||||
Используя это, получаем |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
µ0 |
|
|
ϕµ1 |
µ1 |
|
∞ |
|
|
|
|
∞ |
|
|
|
||||||||
xt = |
|
|
− |
|
+ |
|
|
|
t + i=0 ϕiεt−i = γ0 + γ1t + i=0 ϕiεt−i, |
(17.2) |
||||||||||||||
|
1 − ϕ |
(1 − ϕ)2 |
1 − ϕ |
|||||||||||||||||||||
где |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
µ0 |
|
|
|
ϕµ1 |
|
µ1 |
|
|
|
|
|
||||
|
|
|
|
|
|
γ0 = |
|
− |
|
|
|
и |
γ1 = |
|
. |
|
|
|
||||||
|
|
|
|
|
|
1 − ϕ |
(1 − ϕ)2 |
1 − ϕ |
|
|
|
Можно также записать уравнение процесса в виде:
(xt − γ0 − γ1t) = ϕ(xt−1 − γ0 − γ1(t − 1)) + εt.
Ясно, что если вычесть из xt тренд γ1t, то получится стационарный процесс. Подобного рода процессы называют стационарными относительно тренда.
Рассмотрим теперь процесс ARMA(p, q):
p q
xt = ϕixt−i + εt − θiεt−i. i=1 i=1
Если все корни характеристического многочлена
p
ϕ(z) = 1 − ϕizi
i=1
по абсолютной величине больше 1, т.е. лежат за пределами единичного круга на комплексной плоскости, то процесс стационарен. Если один из корней лежит в пределах единичного круга, то процесс взрывной. Если же d корней равны единице, а остальные лежат за пределами единичной окружности, то процесс нестационарный, но не взрывной и о нем говорят, что он имеет d единичных корней.
550 |
Интегрированные процессы... |
Нестационарный процесс, первые разности которого стационарны, называют интегрированным первого порядка и обозначают I(1). Стационарный процесс обозначают I(0). Если d-e разности случайного процесса стационарны, то его называют интегрированным d-го порядка и обозначают I(d).
Рассмотрим, например, процесс
t
yt = xi, где xt = xt−1 + εt.
i=1
Он будет I(2), то есть его вторые разности, ∆2yt, стационарны.
Для процессов ARIMA можно дать более удачное определение интегрированности. Процессом I(0) называется стационарный процесс с обратимым скользящим средним. Процесс I(d) — такой процесс, d-e разности которого являются I(0). Соответственно, процесс, являющийся d-ой разностью процесса I(0), будет I(−d). Такое уточнение нужно для того, чтобы необратимые процессы, такие как εt −εt−1 , где εt — белый шум, по определению были I(−1), но не I(0). По этому уточненному определению процесс I(d) при d > 0 будет иметь в точности d единичных корней.
17.2.Разложение Бевериджа—Нельсона для процесса I(1)
Рассмотрим ARIMA-процесс I(1), интегрированный первого порядка. Пусть его исходная форма, записанная через лаговый оператор, имеет вид
ϕ(L)xt = µ + θ(L)εt.
Поскольку это процесс I(1), то многочлен ϕ(L) имеет единичный корень и уравнение процесса можно представить в виде
(1 − L)ϕ (L)xt = ϕ (L)∆xt = µ + θ(L)εt,
где у многочлена ϕ (L) все корни находятся за пределами единичного круга. Отсюда следует разложение Вольда для приростов ∆xt, которые являются стационарными:
∆x |
|
= |
µ + θ(L) |
ε = |
µ |
+ ∞ c ε |
= |
|
|
µ |
|
+ c(L)ε = γ + c(L)ε . |
||
|
|
|
|
|
|
|
|
|||||||
|
t |
|
ϕ (L) |
t |
ϕ (L) |
i=0 i t−i |
1 |
|
|
p |
ϕ |
t |
t |
|
|
|
|
|
|
|
|
|
|
− j=1 |
j |
|
|
||
Ряд c(z) можно представить следующим образом: |
|
|
|
|
||||||||||
|
|
|
|
|
c(z) = c(1) + c (z)(1 |
− |
z), |
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
17.3. Ложная регрессия |
|
|
|
|
|
551 |
|||
где |
|
|
|
|
|
|
|
|
|
|
|
∞ |
|
|
|
|
|
∞ |
|
c (z) = |
ci zi, |
с коэффициентами |
ci = − |
cj . |
|||||
|
|
i=0 |
|
|
|
|
j=i+1 |
|
|
Действительно, |
|
|
|
|
|
|
|
||
|
|
|
∞ |
∞ |
|
|
∞ |
|
|
c(1) + c (z)(1 |
− |
z) = |
c + |
c zi |
− |
c zi+1 |
= |
|
|
|
|
i |
i |
|
i |
|
|
||
|
|
|
i=0 |
i=0 |
∞ |
i=0 |
∞ |
∞ |
|
|
|
|
∞ |
|
|
||||
|
|
= ci + c0 + (ci − ci−1)zi = c0 + cizi = cizi. |
|||||||
|
|
|
i=0 |
|
i=1 |
|
i=1 |
i=0 |
Таким образом, можно представить ∆xt в виде
∆xt = γ + (c(1) + c (L)(1 − L)) εt = γ + c(1)εt + c (L)∆εt.
Суммируя ∆xt, получим
xt = γt + c(1)εt + c (L)εt,
где εt — случайное блуждание, такое что ∆εt = εt . Без доказательства отметим,
∞
что ряд c (L) сходится абсолютно1: |ci | < ∞. Следовательно, он соответствует
i=0
разложению Вольда стационарного процесса.
Мы получили так называемое разложение Бевериджа—Нельсона. Процесс xt вида I(1) мы представили как комбинацию детерминированного тренда γt, стохастического тренда c(1)εt и стационарного процесса c (L)εt , который здесь обычно интерпретируется как циклическая компонента.
17.3. Ложная регрессия
Одним из важнейших условий получения корректных оценок в регрессионных моделях является требование стационарности переменных. В экономике довольно часто встречаются стационарные ряды, например, уровень безработицы. Однако, как правило, экономические процессы описываются нестационарными рядами: объем производства, уровень цен и т.д.
∞ |
∞ ∞ |
∞ ∞ |
∞ |
1Это можно понять из того, что |ci | = |
ci |
|
|ci | = i|ci |. Поскольку ко- |
i=0 |
i=0 j=i+1 |
i=0 j=i+1 |
i=0 |
эффициенты ci у стационарного процесса ARMA сходятся экспоненциально, то ряд должен сойтись (экспоненциальное убывание превосходит рост i).