
Эконометрика. Тихомиров
.pdfсдвигов i и j. Иными словами, процесс иt можно считать по крайней мере белым шумом.
Отметим основные свойства процессов vt и vt 2. В частности, заметим, что если ut является белым шумом, то процесс ut=Yt – также является белым шумом в силу условия (7.105). Однако значения st=(Yt – )2=хt2 могут коррелировать между собой в случае коррелированности значений переменной vt2 и vt–i2, i=1,2,... . Это непосредственно следует из определения ковариации и математического ожидания произведения переменных vt 2 и st
соответственно
M [ |
st |
, |
st i |
] M [ |
2 |
|
2 |
|
] M [ 2 |
|
|
2 |
] |
M [ 2 |
|
2 |
] |
(7.126) |
||||||||
|
|
|
|
|
vt |
|
vt i |
|
ut |
|
ut i |
|
|
|
vt |
|
vt i |
|
|
|||||||
и |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
cov[ |
st |
, |
st i |
] M [ |
st |
, |
st i |
] M [ |
2 ] cov[ |
2 |
2 |
]. |
|
(7.127) |
||||||||||||
|
|
|
|
|
|
|
|
st |
|
|
|
vt |
vt |
i |
|
|
|
|||||||||
При выводе этих выражений учтено, что M [st2] M [vt2] (см. (7.103)). |
|
|
||||||||||||||||||||||||
Из выражения (7.127) непосредственно вытекает, что |
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
[ |
|
] |
|
( |
2 |
|
2 |
|
|
)]. |
|
|
|
|
(7.128) |
||||
|
|
|
|
|
|
|
st |
|
) [D( |
vt |
) / D( |
st |
|
|
|
|
||||||||||
|
|
|
|
|
|
|
i |
|
|
|
i |
vt |
|
|
|
|
|
|
|
|
|
В частности, при положительной автокорреляции процесса условной вариации vt2 можно показать, что коэффициенты автокорреляции процессов vt2 и st удовлетворяют следующему соотношению:
0 i (st) / i (vt2) |
1 |
. |
(7.129) |
|
3 |
||||
|
|
|
Соотношение (7.129) непосредственно вытекает из того, что
D[vt2] M [vt4] (M [vt2])2 ;
D[st2] M [st2] (M [st ])2 K u M [vt4] (M [vt2])2 (7.130)

иKu=3, если ut N(0, 1).
Всвою очередь, при получении выражения (7.130) учтено, что
M [ 2] M [( |
|
)4] M [ 4] M [ 4] |
K u |
M [ 4], |
(7.131) |
||||
|
st |
|
Y t |
vt |
ut |
vt |
|
||
где Ku – коэффициент эксцесса процесса ut определяется как |
|
|
|||||||
|
|
4 |
] |
|
|
|
|
|
|
|
|
M [u |
|
M [ 4];. |
|
|
|
|
|
K u |
t |
|
|
|
|
|
|||
|
(M [ 2 |
])2 |
ut |
|
|
|
|
||
|
|
|
|
|
|
|
|||
|
|
ut |
|
|
|
|
|
|
|
Для оценки параметров процесса vt2 можно использовать также и характеристики неотрицательного процесса абсолютных отклонений цен от своего среднего уровня zt= Yt– = хt . Для этого процесса при vt получим
|
|
|
|
|
M [ |
|
] M [ |
|
ut |
] M [ |
|
], |
(7.132) |
|||
|
|
|
|
|
zt |
|
vt |
|
|
|
vt |
|
|
|||
где = M [ ut ] |
2 / 0,798. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Очевидно, что |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
M [ 2] M [ 2] и D[ 2] M [ 2] M ([ |
|
2 |
M [ |
2] |
|
2 |
(M [ |
|
2 |
|
|||||
|
]) |
|
]) . |
|
||||||||||||
|
zt |
vt |
zt |
zt |
zt |
|
|
vt |
|
|
vt |
|
|
|
Из определения zt процесса также вытекает следующая взаимосвязь между его ковариациями и ковариациями процесса vt:
cov[zt , zt i ] M [zt , zt i ] M (zt2) 2 cov(vt , vt i). |
(7.133) |
Из выражения (7.133) непосредственно следует, что коэффициенты автокорреляции процессов zt и vt связаны следующим соотношением:

где |
– математическое ожидание процесса ln(vt), ln(vt) N( , |
2); |
t N(0, |
2) – |
ошибка модели, являющаяся процессом белого шума, |
2=D( 2) (1– |
a12); a1= 1(ln(vt))– коэффициент модели, то можно показать, что коэффициенты автокорреляции процесса ln(vt) и коэффициенты автокорреляции процесса vt связаны следующим соотношением:
i (vt) {e 2 i(lnvt) 1} / {e 2 1}. |
(7.142) |
Для процесса vt2, чтобы получить соответствующие выражения для коэффициентов автокорреляции достаточно в правой части (7.142) 2
заменить на 4 2.
Далее, поскольку коэффициенты автокорреляции модели (7.141) равны a1i
( i(ln(vt ))=a1i), то соответствующие коэффициенты процессов st и zt на основании (7.139) и (7.140) будут определяться следующими выражениями:
|
|
|
|
|
|
|
2 |
i |
|
|
|
4 |
2 |
|
|
||
|
( |
st |
) A( ) {( |
|
4 |
|
a |
|
1) / ( |
|
1) |
(7.143) |
|||||
e |
|
|
|
1 |
e |
|
|
||||||||||
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
и |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
i |
|
|
|
|
2 |
|
|
|
|
( |
|
) B( ) {( |
|
|
a |
1) / ( |
|
|
1)}. |
(7.144) |
||||||
zt |
e |
|
|
1 |
e |
|
|||||||||||
i |
|
|
|
|
|
|
|
|
|
|
|
|
Выражения (7.143) и (7.144) показывают, что эти коэффициенты с увеличением сдвига монотонно уменьшаются с некоторого значения меньшего 1 до нуля.
Дальнейшее направление разработок моделей с изменяющейся зависимой вариацией связывается с подбором более удачной модели для описания динамики переменной vt в тех случаях, когда количество параметров в авторегрессионных версиях достаточно велико. Напомним, что авторегрессионные версии моделей этой переменной могут быть представлены, например, следующими выражениями:
2 |
a0 |
a1 st 1 .... ak st k ; |
|
|
|
(7.145) |
||||||
vt |
|
|
|
|||||||||
ln |
vt |
|
a0 |
|
a1 |
ln( |
) .... |
ak |
ln( |
vt k |
) |
. |
|
|
|
|
vt 1 |
|
t |
|
Коэффициенты этих и других возможных вариантов моделей такого типа определяются на основе коэффициентов автокорреляции процессов st и zt, t=1,2,..., значения которых являются неотрицательными, но достаточно небольшими и стремятся к нулю с увеличением сдвига. Как отмечалось в главе VI, при k 2 относительные погрешности эмпирических коэффициентов автокорреляции могут быть достаточно большими, что повлечет за собой и ошибки коэффициентов модели. В результате построенная модель не будет достаточно точно воспроизводить поведение процесса .
Избежать влияния погрешностей в оценках коэффициентов автокорреляции процессов st и zt на точность представления переменной vt
при больших сдвигах можно на основе использования при ее описании вместо авторегрессионных моделей (АР(k)) моделей более общего класса – авторегрессии-скользящего среднего (АРСС(k, m)) с гораздо меньшим числом параметров. В частности, в главе VI было показано, что добавление к модели авторегрессии первого порядка модели скользящего среднего первого порядка позволяет сформировать модель, по своим свойствам эквивалентную модели авторегрессии достаточно высокого порядка. Такой подход, в
частности, предполагает, что вместо модели (7.145) для описания процесса vt2, может быть использована, например, модель следующего вида:
2 |
|
|
|
( |
2 |
|
2 |
, |
(7.146) |
a0 |
) |
||||||||
vt |
|
|
a1 Y t 1 |
|
|
b1 vt 1 |
|
|
связывающую текущее значение условной дисперсии с ее предшествующим
значением и предшествующим квадратом ошибки ( 2 |
( |
)2) , |
t 1 |
Y t 1 |
|
определяемой по отклонению цены актива в момент t–1 от ее математического ожидания.

момент t–i. Иными словами, положительные и отрицательные значения ошибки t–i оказывают различное влияние на зависимую переменную. Кроме того, использование в модели логарифма дисперсии позволяет не беспокоиться о знаках коэффициентов данной модели.
Дальнейшее развитие ARCH-модели связывается с предположением о существовании зависимости значений уt от их условной вариации. Класс этих моделей, названный ARCH-М моделями, отражает мнение, что на финансовых рынках покупатели как бы “требуют” компенсации за рискованные вложения. В результате “плата за риск” рассматривается как возрастающая функция от условной вариации цены акции.
Простейший вариант ARCH-М модели, отражающий данное предположение, может быть представлен в следующем виде:
yt |
t |
t , |
(7.149) |
где условное математическое ожидание цены актива t=Mt–1[yt], в свою очередь, ставится в зависимость от условной вариации ошибки согласно следующему выражению:
|
vt |
2 |
, 0 |
(7.150) |
|
||||
t |
|
|
|
и vt2 является ARCH-процессом:
|
2 |
|
|
k |
2 |
|
|
|
vt |
|
a0 |
|
, |
(7.151) |
|||
|
|
|||||||
|
|
i 1 |
ai t i |
|
||||
|
|
|
|
|
|
|
В более общем случае условная вариация ошибки может быть
представлена в виде GARCH-процесса:
k |
r |
|
vt 2 a0 ai t2 i bj vt2 j, |
(7.152) |
|
i 1 |
j 1 |
|
где, напомним, t=уt– t.
Тестирование моделей типа ARCH и GARCH обычно сводится к проверке существования характерных для них эффектов. Для этих целей, как правило,
используется так называемый критерий TR2, где T – объем выборки и R2 –
коэффициент детерминации соответствующей модели для квадрата ошибок
(например, типа (7.145) и (7.146)). Этот показатель распределен по закону 2
с числом степеней свободы равным количеству используемых в модели лаговых переменных t–i и vt–j. Если расчетное значение TR2 2*(р*, ), где р*
– заданный уровень доверительной вероятности и – число степеней свободы, то гипотеза о присутствии ARCH или GARCH-эффектов принимается, в противном случае она отвергается. Здесь следует отметить,
что наличие эффекта в данном случае связывается со значимостью коэффициентов ai и bj, i=1,2,..., k; j=1,2,..., n; модели, описывающей взаимосвязи между квадратами ошибки. Если TR2 2*(р*, ), то коэффициенты принимаются значимыми, т. е. отличными от нуля (по крайней мере, некоторые из них), и в этом случае допускается наличие эффекта типа ARCH или GARCH (условная дисперсия меняется согласно соответствующей закономерности). В противном случае, т. е. когда
TR2 2*(р*, ), следует принять гипотезу о равенстве нулю всех коэффициентов при лаговых значениях квадрата ошибки, и в этом случае дисперсия должна рассматриваться как постоянная величина.
7.6.Методы оценки параметров модели с изменяющейся вариацией
В общем случае определение параметров оценок моделей с изменяющейся вариацией является более сложной проблемой, чем оценка параметров моделей с постоянной вариацией. Дело в том, что эффекты, обусловленные взаимосвязями между квадратами ошибок, приводят к тому, что соотношения между параметрами модели и исходными данными становятся нелинейными и гораздо более сложными, чем в случае традиционных

линейных эконометрических моделей. В такой ситуации в аналитическом виде получить решение становится невозможным, и поэтому обычно приходится прибегать к численным методам определения оценок,
основанным на итеративных процедурах последовательного приближения.
Вместе с тем, общий подход для формирования уравнений, связывающих значения параметров моделей с изменяющейся вариацией с исходными данными, использует те же принципы, что и в случае моделей с постоянной вариацией. Он также обычно базируется на принципах максимального правдоподобия и минимума суммы квадратов ошибки.
Например, функция максимального правдоподобия для модели с изменяющейся вариацией в общем случае может быть записана в следующем виде:
|
|
1 |
|
1 |
yt |
t |
2 |
|
L( y |
, a0 , a1,..., ak , b1,..., br ,... ) П |
|
|
{ |
|
} |
(7.153) |
|
|
e |
2 |
v |
|
|
|||
t |
t |
2 |
|
|
t |
|
|
|
|
|
2 vt |
|
|
|
|
|
|
при ограничениях, определяющих: а) особенности взаимосвязи между значениями процесса уt и его условным математических ожиданием.
Например,
|
|
|
|
n |
|
|
|
|
|
t |
0 |
|
i |
y |
, |
(7.154) |
|||
|
|
i 1 |
|
|
t i |
|
|||
|
|
|
|
|
|
|
|
|
б) особенности взаимосвязи между условными вариациями. Например, в
случае GARCH-модели – это:
k |
r |
|
vt 2 a0 ai t2 i bj vt2 j, |
(7.155) |
|
i 1 |
j 1 |
|