Models dHeteroscedasticitat

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

Un Model ARCH(1) dona una dependncia AR(1)

entre el quadrat de les pertorbacions
Yt = + ut

V (ut | ut 1 ) = t2

E(ut | ut 1 ) = 0;

t2 = 0 + 1ut21

(1)

t = ut2 t2

Definim

t s un prces estacionari ja que :

E ( t ) = 0, V ( t ) = 2 2 , Cov ( t t k ) = 0
Lequaci (1) pot escriures com:

ut2 = 0 + 1ut21 + t

(1' )

Que ens dona una dependncia AR(1) entre els residus al quadrat

Conxita Pinyol Prez, Universitat Autnoma de Barcelona

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;

t2 = 0 + 1ut21 + .... + qut2q

E (ut ) = 0,

V (ut | ut 1 ) = t2

E(ut | ut 1 ) = 0;

amb i > 0 per i

1 1 ... q

Cov(u t ut s ) = 0 si s 0

Notem, per tant, que en el model ARCH(q) hem dexigir que

1 + .... + q < 1
Conxita Pinyol Prez, Universitat Autnoma de Barcelona

La varincia no condicional en un Model

ARCH(1)
Yt = + ut

E(ut | ut 1 ) = 0;

t2 = 0 + 1ut21

amb

V (ut | ut 1 ) = t2

0 > 0;

0 < 1 < 1

La frmula de descomposici de la varincia diu:

V (ut ) = V [E (ut / ut 1 )] + E [V (ut / ut 1 )]

com E (u / u ) = 0 tenim V [E (u / u )] = 0
t
t 1
t
t 1
2
V (ut ) = E 0 + 1ut 1 = 0 + 1E (ut21 )

E (ut21 ) = V (ut21 ) = V (ut2 )

Si el procs es estacionari

V (ut2 ) = 0 + 1V (ut2 )

V(u t ) =

per tant

per tant

0
1 1

Conxita Pinyol Prez, Universitat Autnoma de Barcelona

Models GARCH(p,q)
(Generalized Autoregressive Conditional Heteroscedastic)
Considerem una srie {Yt}

Yt = + ut

E(ut | ut 1 ,.....) = 0;

V (ut | ut 1 ,...) = t2

t2 = 0 + 1ut21 + .... + qut2q + 1 t21 + .... + p t2 p

Notem que en el model GARCH hem dexigir que

i > 0 per i;
I tenim

E (ut ) = 0,

1 + .... + q + 1 + ... + p < 1

V(u t ) =

Cov(u t ut s ) = 0

0
,
1 (1 + .... + q + 1 + ... + p )

si s 0

Conxita Pinyol Prez, Universitat Autnoma de Barcelona

Un Model GARCH(1,1) dona una dependncia

ARMA(1,1) entre el quadrat de les pertorbacions
Yt = + ut

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

Conxita Pinyol Prez, Universitat Autnoma de Barcelona

Test sobre efectes ARCH

Yt = + ut

E(ut | ut 1 ) = 0;

V (ut | ut 1 ) = t2

t2 = 0 + 1ut21 + .... + qut2q

H 0 : 1 = ... = q = 0

H0
H1 : No
1. Estimem per MQO el model

Yt = + ut

i obtenim ut
2

2. Examinem el comportament dels residus al quadrat. ut

Lexistncia dautocorrelaci en els residus al quadrat
ens dona informaci sobre efectes ARCH
3. Fem la regressi
2
2
2
t
0
1 t 1
q t q
Calculem R2

u = + u

+ .... + u

Si H0 s certa TR2 es comporta com una

Conxita Pinyol Prez, Universitat Autnoma de Barcelona

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 ) )

T2+h = 2 + (1 + 1 )h 1 (1 (uT2 - 2 ) + 1 (T2 2 ) )

Conxita Pinyol Prez, Universitat Autnoma de Barcelona

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

Conxita Pinyol Prez, Universitat Autnoma de Barcelona

0
1 (1 + 1 )

Varincia no
condicional