Rozdziaª 7. Modele klasy ARCH

Transkrypt

1 Rozdziaª 7. Modele klasy ARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 7) Modele ARCH 1 / 24

2 Modele klasy ARCH Charakterystyki wi kszo±ci szeregów nansowych: Grupowanie wariancji (volatility clustering): wyst powanie okresów o nasilonej zmienno±ci Leptokurtyczny rozkªad stóp zwrotu (grube ogony): prawdopodobie«stwo wyst pienia obserwacji bliskich oraz znacznie oddalonych od ±redniej warto±ci s istotnie wy»sze ni» dla rozkªadu normalnego Zjawiska te mo»na uwzgl dni stosuj c modele klasy ARCH (AutoRegressive Conditional Heteroskedasticity) wprowadzonych do literatury przez Engle'a w 1982 r. MPGzR (rozdz. 7) Modele ARCH 2 / 24

3 Grupowanie wariancji W modelu: y t = µ t + ϵ t, ϵ t N(0, σ 2 t ) wyst puje grupowanie wariancji je»eli Cov(ϵ 2 t, ϵ 2 ) 0 dla k 0. t k Testowanie zjawiska grupowania wariancji: 1. Analiza ACF + test Ljunga-Boxa dla kwadratów reszt modelu e 2. t 2. Test ARCH-LM (Engle, 1982). Dla regresji: werykowany jest zespóª hipotez: e 2 t = β 0 + β 1 e 2 t β p e 2 t p + ν t. H 0 : 1 i p β i = 0 H 1 : 1 i p β i 0 Przy prawdziwo±ci H 0 statystyka LM = (T p)r 2 ma rozkªad χ 2 (p). MPGzR (rozdz. 7) Modele ARCH 3 / 24

4 Przykªad - kurs EUR/PLN Tempo wzrostu kursu EUR/PLN (y) 52 tygodniowa wariancja Autokorelacja kwadratów y Histogram y na tle rozkladu normalnego Box-Ljung test dla y^2 (grupowanie wariancji) BL = 314.0, df = 12, p-value < 2.2e-16 Jarque Bera Test dla y (leptokurtoza) JB = 992.2, df = 2, p-value < 2.2e-16 MPGzR (rozdz. 7) Modele ARCH 4 / 24

5 Model ARCH Specykacja modelu ARCH(P) - Engle (1982): y t =µ t + ϵ t, ϵ t N(0, σ 2 t ) σ 2 t =ω + α 1 ϵ 2 t 1 + α 2 ϵ 2 t α P ϵ 2 t P, gdzie ω > 0 oraz α p 0 dla p {1, 2,..., P} (aby σ 2 t 0) Idea modelu ARCH(P): Je»eli e 2 t jest relatywnie wysokie to w kolejnych okresach (dla p {1, 2,..., P}) wahliwo± y t mierzona σ 2 t+p, jest tak»e podwy»szona. Dla p > P, wpªyw e 2 t na σ 2 t+p jest zerowy. Bior c pod uwag trwaªo± wpªywu szoków na zmienno± wielu szeregów nansowych oznacza to konieczno± przyj cia wysokich warto±ci P w modelu ARCH(P). MPGzR (rozdz. 7) Modele ARCH 5 / 24

6 Model GARCH Problem konieczno±ci wyboru wysokiej warto±ci P w modelu ARCH(P) mo»na rozwi za, poprzez uwzgl dnienie opó¹nionych warto±ci wariancji warunkowej w równaniu dla σ 2 t. Rozwi zanie to zostaªo zaproponowane przez Bollersleva (1986) w postaci modelu GARCH (Generalized ARCH) o specykacji: y t =µ t + ϵ t, ϵ t N(0, σ 2 t ) σ 2 t =ω + α 1 ϵ 2 t α P ϵ 2 t P + β 1 σ 2 t β Q σ 2 t Q, gdzie ω > 0, α p 0 oraz β q 0. MPGzR (rozdz. 7) Modele ARCH 6 / 24

7 Bezwarunkowa wariancja w modelu GARCH(1,1) Zapiszmy kwadraty reszt model GARCH(1,1) jako: ϵ 2 t = σ 2 t + η t, E(η t ) = 0 za± równanie wariancji jako model ARMA(1,1): lub: ϵ 2 t = ω + (α + β)ϵ 2 t 1 + η t βη t 1, σ 2 t = ω + (α + β)σ 2 t 1 + αη t 1. Model wariancji warunkowej jest stacjonarny dla α + β < 1. W takim przypadku σ 2 t powraca do swojej dªugookresowej warto±ci, okre±laj cej wariancj bezwarunkow : σ 2 = ω 1 (α + β), Je»eli α + β = 1 to stosuje si model IGARCH (Integrated GARCH,Engle i Bollerslev, 1986) MPGzR (rozdz. 7) Modele ARCH 7 / 24

8 Estymacja modelu GARCH(1,1) warunkow MNW Š czny rozkªad prawdopodobie«stwa obserwacji: p(y1, y2,..., y T ) = p(y T Ω T 1 ) p(y T 1 Ω T 2 )... p(y1), gdzie Ω t oznacza informacj dost pn w momencie t. dla t = 1 przyjmujemy,»e σ1 2 jest równa wariancji w próbie dla t > 1 warto± σ 2 t wyznaczamy rekurencyjnie funkcja g sto±ci wynosi: y t Ω t 1 N(µ t, σ 2 t ) Warto± funkcji wiarygodno±ci: L(θ; y 1,..., y T σ 2 1) = T t=1 1 2πσ 2 t exp ( (y t µ t ) 2 gdzie θ jest wektorem parametrów wyst puj cych w modelu GARCH. 2σ 2 t ), MPGzR (rozdz. 7) Modele ARCH 8 / 24

9 Model ARMA(1,1)-GARCH(1,1) dla kursu EUR/PLN Oszacowania modelu GARCH(1,1) Estimate Std. Error t value Pr(> t ) mu ar e-05 *** ma * omega * alpha *** beta < 2e-16 *** Standardised Residuals Tests: Statistic p-value Jarque-Bera Test R Chi^ Ljung-Box Test R Q(10) Ljung-Box Test R Q(20) Ljung-Box Test R^2 Q(10) Ljung-Box Test R^2 Q(20) LM Arch Test R TR^ MPGzR (rozdz. 7) Modele ARCH 9 / 24

10 Model ARMA(1,1)-GARCH(1,1) dla kursu EUR/PLN Warunkowe odchylenie standardowe ACF dla kwadratów reszt MPGzR (rozdz. 7) Modele ARCH 10 / 24

11 Leptokurtoza W wielu przypadkach nie tylko bezwarunkowy, ale tak»e warunkowy rozkªad skªadników losowych jest leptokurtyczny. Skutkiem nieuwzgl dnienia tego zjawiska jest np. mylna prognoza przedziaªowa dla analizowanej zmiennej (m.in. nie uwzgl dnienie ryzyka du»ych strat) Bollerslev (1987) proponuje, aby przyj,»e skªadnik losowy ma rozkªad t-studenta lub rozkªad GED (general error distribution). Rozkªad GED wzgl dnie dobrze opisuje wªasno±ci rozkªadów skªadnika losowego wokóª warto±ci oczekiwanej, tj. ich smukªo±, natomiast rozkªad t-studenta jest dopasowany do modelowania grubych ogonów. Bardziej popularny jest rozkªad t-studenta MPGzR (rozdz. 7) Modele ARCH 11 / 24

12 Rozkªad t-studenta Dla y t(µ, σ 2, v) funkcja g sto±ci jest postaci: Γ ( ) v+1 ( ) ( v+1 p(y) = 2 2 ) Γ ( (y µ)2 ) 1 +, v 2 π(v 2)σ 2 t (v 2)σ 2 gdzie Γ(z) = x z 1 exp( x)dx oznacza funkcj Gamma. 0 Dla v rozkªad t(µ, σ 2, v) pokrywa si z rozkªadem N(µ, σ 2 ). Funkcja wiarygodno±ci dla modelu GARCH wynosi: L(θ; y 1,..., y T σ 2 1) = T t=1 Γ ( v 2 Γ ( ) v+1 ( ) 2 π(v 2)σ 2 t 1 + (y ) ( t µ t ) 2 v+1 (v 2)σ 2 t 2 ), gdzie θ jest wektorem parametrów wyst puj cych w modelu GARCH, w skªad których wchodzi tak»e parametr v okre±laj cy liczb stopni swobody rozkªadu t-studenta. MPGzR (rozdz. 7) Modele ARCH 12 / 24

13 Rozkªad GED Dla y GED(µ, σ 2, v) funkcja g sto±ci jest postaci:: ( v exp 1 y µ ) v 2 λσ p(y) = v Γ ( ), 1 λσ gdzie λ = ( Γ(1/v) 2 2/v Γ(3/v)) 1/2. 2 v+1 Dla v = 2 rozkªad GED(µ, σ 2, v) pokrywa si z rozkªadem N(µ, σ 2 ) Funkcja wiarygodno±ci jest postaci: L(θ; y 1,..., y T σ 2 1) = t=1 v ( T v exp 1 v ) 2 yt µt λσ t v Γ ( ), 1 λσt 2 v+1 gdzie θ jest wektorem parametrów wyst puj cych w modelu GARCH, w skªad których wchodzi tak»e parametr v okre±laj cy ksztaªt rozkªadu GED. v MPGzR (rozdz. 7) Modele ARCH 13 / 24

14 Wybór specykacji modelu GARCH 1. Wybra najlepsz specykacj równania dla poziomów (posta funkcji µ t ) 2. Okre±li warto±ci dla P i Q w równaniu wariancji na podstawie analizy funkcji ACF i PACF dla kwadratów reszt lub kryteriów informacyjnych AIC lub BIC. 3. Sprawdzi, czy wystandardyzowane reszty u t = e t /σ t maj rozkªad normalny. Je»eli nie, wybra rozkªad t-studenta lub GED. 4. W wi kszo±ci przypadków najwªa±ciwszy jest model GARCH(1,1) ze skªadnikiem losowym o warunkowym rozkªadzie t-studenta. MPGzR (rozdz. 7) Modele ARCH 14 / 24

15 Wybór specykacji - przykªad dla EUR/PLN Warto±ci kryterium BIC Normal distribution t-student distribution q=0 q=1 q=2 q=3 q=4 q=0 q=1 q=2 q=3 q=4 p= p= p= p= p= p= p= p= MPGzR (rozdz. 7) Modele ARCH 15 / 24

16 Prognozowanie z modelem GARCH Gªówne zastosowanie modeli GARCH: prognozowanie zmienno±ci oraz tworzenie prognoz przedziaªowych Algorytm liczenia prognozy zmienno±ci z modelu GARCH jest bardzo podobny do algorytmu wyznaczenia prognozy punktowej z modelu ARMA Dla modelu GARCH(1,1) prognoza na okres T + 1, T + 2,... wykorzystuje równanie wariancji postaci: σ 2 t = ω + (α + β)σ 2 t 1 + αη t 1 oraz fakt,»e w okresie prognozy: Warto±ci prognozy: E(η T +k Ω T ) = 0. E(σ 2 T +1 Ω T ) = ω + αe 2 T + βσ 2 T E(σ 2 T +h Ω T ) = ω + (α + β)e(σ 2 T +h 1 Ω T ) ( ) 1 (α + β) E(σ 2 h T +h Ω T ) = ω + (α + β) h 1 (αe 2 T + βσ 2 T ) 1 (α + β) MPGzR (rozdz. 7) Modele ARCH 16 / 24

17 Prognozowanie z modelem GARCH - przykªad Prognoza tempa wzrostu kursu EUR/PLN Prognoza odchylenia std MPGzR (rozdz. 7) Modele ARCH 17 / 24

18 Niesymetryczne modele klasy ARCH W modelu GARCH warunkowa wariancja σ 2 t zale»y od kwadratów przeszªych realizacji skªadnika losowego, niezale»nie od ich znaku Dla akcji ujemne warto±ci ϵ t bardziej wpªywaj na σ 2 t ni» warto±ci dodatnie ze wzgl du na efekt d¹wigni (leverage eect). Spadek ceny akcji prowadzi do wzrostu relacji zadªu»enia do warto±ci rynkowej i wzrostu wahliwo±ci strumienia dywidend przypadaj cych na jedn akcj Tak»e dla walut gospodarek rozwijaj cych si (zadªu»onych w walutach obcych) silna deprecjacja waluty krajowej w wi kszym stopniu prowadzi do wzrostu zmienno±ci ni» aprecjacja Propozycje modelowania niesymetrycznej odpowiedzi wariancji:.1 model GJR-GARCH (Glosten-Jagannathan-Runkle, 1993).2 Model wykªadniczy EGARCH (Exponential GARCH, Nelson, 1991) MPGzR (rozdz. 7) Modele ARCH 18 / 24

19 Model GJR-GARCH Specykacja modelu GJR-GARCH(P,Q): y t =µ t + ϵ t P Q σ 2 t =ω + (α p ϵ 2 t p + γ p ϵ 2 t p I (ϵ t p < 0)) + β q σt q, 2 p=1 q=1 gdzie ω > 0, α p 0, β q 0 oraz γ p 0 dla p {1, 2,..., P} i q {1, 2,..., Q}, za±: { 1 dla ϵ t < 0 I (ϵ t < 0) = 0 dla ϵ t 0. Dla γ p istotnie wi kszych od zera wyst puje efekt d¹wigni UWAGA: ze wzgl du na restrykcje naªo»one na parametry modelu GJR-GARCH, przy modelowaniu kursu walutowego wa»ne jest, czy dodatnie tempo wzrostu opisuje aprecjacj, czy deprecjacj waluty krajowej. MPGzR (rozdz. 7) Modele ARCH 19 / 24

20 Model EGARCH Specykacja modelu EGARCH(P, Q): Wpªyw ϵ t p na ln(σ 2 t ): y t =µ t + ϵ t P ln(σ 2 ϵ t p + γ p ϵ t p t ) =ω + α p + σ t p p=1 Q β q ln(σt q). 2 q=1 Dla ϵ t p < 0 wpªyw wynosi α p (1 γ p ) ϵ t p /σ t p Dla ϵ t p 0 wpªyw wynosi α p (1 + γ p ) ϵ t p /σ t p. Efekt d¹wigni dla α p > 0 oraz γ p < 0 lub α p < 0 oraz γ p > 0. Poniewa» obja±niany jest logarytm wariancji to: warto± σ 2 t jest dodatnia dla dowolnych parametrów ω, α p, β q oraz γ p wpªyw nietypowych realizacji ϵ t na σ 2 t jest wi kszy ni» w podstawowym modelu GARCH. MPGzR (rozdz. 7) Modele ARCH 20 / 24

21 Model EGARCH - przykªad Wyniki estymacji modelu EGARCH(1,1) Estimate Std. Error t value Pr(> t ) mu ar ma omega alpha gamma beta shape Poniewa» γ > 0 oraz α < 0 wyniki wskazuj na wyst powanie efektu d¹wigni: deprecjacja zªotego bardziej wpªywa na zmienno± kursu EUR/PLN ni» aprecjacja zªotego MPGzR (rozdz. 7) Modele ARCH 21 / 24

22 Modele asymetryczne - przykªad Oszacowanie odchylenia std. Prognoza odchylenia std GARCH egarch gjrgarch MPGzR (rozdz. 7) Modele ARCH 22 / 24

23 Model GARCH-M Je»eli inwestorzy charakteryzuj si awersj do ryzyka, to oczekiwana stopa zwrotów z aktywów o wysokim ryzyku powinna by wy»sza ni» dla aktywów o niskim ryzyku (Mehra i Prescott, 1985, pokazuj,»e stopy zwrotu z akcji s przeci tnie o 6 pkt proc. wy»sze ni» stopy zwrotu z obligacji) Zale»no± mi dzy µ t i σ 2 t uwzgl dnia sie w ramach modeli typu GARCH-M (GARCH in Mean, Engle, Lilien i Ronbins, 1987) postaci: y t =µ t + δσ t + ϵ t σ 2 t =ω + α 1 ϵ 2 t α P ϵ 2 t P + β 1 σ 2 t β Q σ 2 t Q, Alternatywne specykacje: y t =µ t + δσ 2 t + ϵ t y t =µ t + δ ln σ t + ϵ t MPGzR (rozdz. 7) Modele ARCH 23 / 24

24 Model GARCH-M: przykªad Oszacowanie modelu GARCH-M(1,1), wersja z odchyleniem standardowym Estimate Std. Error t value Pr(> t ) mu ar ma inmean omega alpha beta shape MPGzR (rozdz. 7) Modele ARCH 24 / 24