Professional Documents
Culture Documents
T8 Iea
T8 Iea
Condicional
MODELS AUTOREGRESSIUS
DHETEROSCEDASTICITAT CONDICIONAL
Models ARCH
En els models ARCH suposem que les pertorbacions ut de la
srie observada son un procs estacionari de variables incorrelades,
per no independents
Les pertorbacions poden escriures com ut = t t
on t,t son processos estacionaris independents, t son variables amb
la mateixa distribuci,esperana zero i varincia 1 (Habitualment es
suposa que son normals o ts)
E (ut ) = E ( t ) E ( t ) = 0
Cov (ut ut k ) = E (ut ut k ) = E ( t t k ) E ( t ) E ( t k ) = 0
Si t estan correlacionades, aleshores les ut no son independents
Notem que en aquests casos les pertorbacions ut no son normals
Conxita Pinyol Prez, Universitat Autnoma de Barcelona
V (ut | ut 1 ) = t2
E(ut | ut 1 ) = 0;
t2 = 0 + 1ut21
(1)
t = ut2 t2
Definim
ut2 = 0 + 1ut21 + t
(1' )
Que ens dona una dependncia AR(1) entre els residus al quadrat
ARCH(1)
Yt = + ut
t2 = 0 + 1ut21
E (ut ) = 0,
amb
V(u t ) =
ARCH(q)
Yt = + ut
1 1
0 > 0;
V(u t ) =
0 < 1 < 1
Cov(u t ut s ) = 0 si s 0
V (ut | ut 1 ,....) = t2
E(ut | ut 1 ,...) = 0;
V (ut | ut 1 ) = t2
E(ut | ut 1 ) = 0;
1 1 ... q
Cov(u t ut s ) = 0 si s 0
1 + .... + q < 1
Conxita Pinyol Prez, Universitat Autnoma de Barcelona
E(ut | ut 1 ) = 0;
t2 = 0 + 1ut21
amb
V (ut | ut 1 ) = t2
0 > 0;
0 < 1 < 1
Si el procs es estacionari
V (ut2 ) = 0 + 1V (ut2 )
V(u t ) =
per tant
per tant
0
1 1
Models GARCH(p,q)
(Generalized Autoregressive Conditional Heteroscedastic)
Considerem una srie {Yt}
Yt = + ut
E(ut | ut 1 ,.....) = 0;
V (ut | ut 1 ,...) = t2
i > 0 per i;
I tenim
E (ut ) = 0,
V(u t ) =
Cov(u t ut s ) = 0
0
,
1 (1 + .... + q + 1 + ... + p )
si s 0
t2 = 0 + 1ut21 + 1 t21
Definim
V (ut | ut 1 ) = t2
E(ut | ut 1 ) = 0;
(1)
t = ut2 t2
t s un prces estacionari
Lequaci (1) pot escriures com:
ut2 = 0 + (1 + 1 )ut21 + t - 1t 1
(1' )
Que ens dona una dependncia ARMA(1,1) entre els residus al quadrat
E(ut | ut 1 ) = 0;
V (ut | ut 1 ) = t2
H 0 : 1 = ... = q = 0
H0
H1 : No
1. Estimem per MQO el model
Yt = + ut
i obtenim ut
2
u = + u
+ .... + u
q2
+ wt
Predicci GARCH(1,1)
Yt = + ut
E(ut | ut 1 ,.....) = 0;
V (ut | ut 1 ,...) = t2
t2 = 0 + 1ut21 + 1 t21
E (ut ) = 0,
V(u t ) = 2 =
1 1 1
Cov(u t ut s ) = 0
si s 0
t2 = 2 (1 1 1 ) + 1ut21 + 1 t21
t2 = 2 + 1 (ut21 - 2 ) + 1 ( t21 2 )
T2+1 = 2 + 1 (uT2 - 2 ) + 1 (T2 2 )
T2+2 = 2 + (1 + 1 )(T2 +1 2 )
= 2 + (1 + 1 )(1 (uT2 - 2 ) + 1 ( T2 2 ) )
Predicci GARCH(1,1)
T2+h = 2 + (1 + 1 )h 1 (1 (uT2 - 2 ) + 1 (T2 2 ) )
Notem que si h>0
2 = V (ut ) =
T2+ h h
0
1 (1 + 1 )
Varincia no
condicional