Upload
vrhdzv
View
218
Download
0
Embed Size (px)
Citation preview
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 1/23
12/B ÉS 13/A HÉT:
VOLATILITÁSMODELLEK I.
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 2/23
2
Tartalom
• Pénzügyi piacok stilizált tényei
• ARCH-modell és tulajdonságai
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 3/23
STILIZÁLT TÉNYEK
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 4/23
4
S&P500 napi árfolyamindex: Stés logaritmikus hozam: ut = log (St /St-1) A log-hozamok lényegében %-os változást
jelentenek:ut = log (St/St-1) ≈ St/St-1 – 1 = (St – St-1) / St-1
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 5/23
5
Tőzsdei árfolyamok alapmodellje:a geometriai Brown-mozgás
•
Kendall (1951): a logaritmizáltárfolyamok Brown-mozgást (véletlen
bolyongást) követnek
• Az árfolyamokat lényegében
lehetetlen előrejelezni• „Random walk down Wall Street”
• Valóban: a log-hozamok közel
autokorrelálatlanok.• AR(1)-modellt illesztve rájuk az
autoregresszív együttható kicsi (vagy
akár nem is szignifikáns)
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 6/23
6
Az alapmodell hiányosságai I. A hozamok nem normális eloszlásúak!
•
A Jarque-Bera teszt elveti anormalitást.
• Az eloszlás csúcsosabb a
normálisnál.• Sok kiugró negatív érték van:
• 20 év alatt a legnagyobb veszteség: 22%
(1987.10.19.),• azonos szórású normális eloszlás esetén
20 év alatt 4-5% lenne a legnagyobb
veszteség
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 7/23
7
Az alapmodell hiányosságai II. A hozamok valójában nem függetlenek!
•
A hozamok abszolútértékeinek sorozata
autokorrelált.
• Tehát a hozamok nemlehetnek függetlenek.
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 8/23
8
Nagy és kis volatilitású (szórású)
időszakok váltakoznak.Példa: az S&P500 1987-ben,
a fekete nap környékén
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 9/23
ARCH-MODELL
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 10/23
ARCH-típusú volatilitásmodellek
•
ARCH = autoregressive conditionalheteroscedasticity
• It-1: t-1. napon meglevő információ
• yt a t. napi hozam.
• Ezek a modellek a Var(yt|It-1) feltételes
varianciát modellezik.
• Megjegyzés: AR-modellek az előrejelzett
várható értéket modellezik.
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 11/23
A legegyszerűbb modell: ARCH(p)-modell
(Robert Engle, 1982)
•
ahol a vt változók:• függetlenek
• E(vt)=0
• Var(vt)=1
• sokszor azt is feltételezik, hogy vt standard normális
eloszlású.
t t t
t pt pt t t
vh
Lh
=
+=++++=−−−
ε
ε α α ε α ε α ε α α 2
0
22
22
2
110 )(...
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 12/23
Heurisztikus magyarázat
• It-1: a (t-1). napon meglevő információ
•
E( εt | It-1 ) = 0 (tehát εt előrejelezhetetlen)• Ebből következően zéró várható értékű és autokorrelálatlan is
• Var( εt | It-1 ) = E (εt2 | It-1 ) = α0+ α1εt-1
2 + ...
•Ha vt standard normális, akkor εt|It-1 ~ N(0, ht).
t t t
t pt pt t t
vh
Lh
=
+=++++=−−−
ε
ε α α ε α ε α ε α α 2
0
22
22
2
110 )(...
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 13/23
Alternatív felírás• εt
2 AR(p)-folyamatot követ:
εt
2 = α0+α
1ε
t-1
2++ αp
εt-p
2+wt
• ahol a wt sorozat már autokorrelálatlan
(ez a négyzetekre felírt AR-modell maradéktagja)
• Tehát:
• az εt2 folyamat autokorrelált,
• maga az εtfolyamat viszont nem az (mint láttuk előzőleg)!
• A modell a tőzsdei hozamok egyik fontos tulajdonságát
visszaadja!
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 14/23
Nemnegativitási és stacionaritásifeltételek
•Nemnegativitási feltétel: α0 >0 és αi≥0 (1≤i≤p)• ekkor a variancia biztosan pozitív
•
Stacionaritási feltétel: α1+α2+...+αp<1• ez elégséges feltétel arra, hogy a folyamat kovariancia-
stacionárius legyen
•
ekkor a feltétel nélküli variancia:σ2=Var(ε)= α0 /(1- α1-α2-...αp)
• De „szigorúan” stacionárius ennél nagyobb paraméterek
esetén is lehet!
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 15/23
Előrejelzés ARCH(p)-modellből
•
A folyamat lineárisan nem előrejelezhető.• A variancia előrejelzése:
E(εt+12|It)= εt+1|t
2 = α0+α1εt2++ αpεt-p+1
2
εt+k|t2 = α0+α1εt+k-1|t2++ αpεt+k-p|t2
• Belátható, hogy az előrejelzés az előrejelzési
horizont növekedésével a feltétel nélküli varianciához
tart (amennyiben az véges).
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 16/23
Az ARCH(1)-folyamat negyedikmomentuma (kiegészítő anyag)
•Ha vt ~ N(0,1), akkor εt|It-1 ~ N(0,ht), ezértE(εt
4 | It-1 )= 3E2(εt2 | It-1 )=3(α0+α1εt-1
2)2
• Ebből a negyedik momentum:
• amit megoldva:
4
2
1
1
12
0
4
1
2
1
2
110
2
0
22
1101
44
4
3)1
21(3)2(3
)(3)|(()(
m E
E I E E E m
t t
t t t t
α
α
α
α ε α ε α α α
ε α α ε ε
+
−
+=++=
+===
−−
−−
)31)(1(
)1(32
11
1
2
04
α α
α α
−−
+=m
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 17/23
Az ARCH(1)-folyamat csúcsossága(kiegészítő anyag)
• A csúcsossági mutató (kurtózis):
• A feltétel nélküli eloszlás csúcsosabb (ésvastagabb szélű), mint a normális eloszlás.
• Ez akkor is így van, ha a feltételes eloszlás (vt
eloszlása) normális!
• εt negyedik momentuma (és csúcsossága) csakα1
2<1/3 esetén véges!• Ezért pl. a négyzetes korrelogram becslése óvatossággal
kezelendő.
331
13
)1(
)31)(1(
)1(3
)( 2
1
2
1
2
0
2
1
2
11
1
2
0
2
4>
−
−=
−⋅
−−
+
=
α
α
α
α
α α
α α
ε t Var
m
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 18/23
18
Szimuláció (α0 =1, α1=0.8):a volatilitás klasztereződése
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 19/23
19
Szimuláció:egymást követő tagok ábrázolása
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 20/23
Szimuláció:
a feltétel nélküli eloszlás csúcsosabbés vastagabb szélű a normális
eloszlásnál
0
200
400
600
800
-20 -10 0 10 20
Series : ARCHFOLY
Sample 1/04/1983 12/30/1988
Observations 1564
Mean 0.015327
Median 0.035028
Maximum 18.38301
Minimum -25.57800
Std. Dev . 2.174400
Skewness -0.587662
Kurtosis 24.53657
Jarque-Bera 30315.87
Probability 0.000000
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 21/23
21
Szimuláció: a folyamat
autokorrelálatlan,négyzete viszont autokorrelált
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 22/23
Kis általánosítás: AR-modell ARCH-hibataggal
•
Ha a folyamat nem autokorrelálatlan, akkor afeltételes variancia mellett a feltételes várható
értéket is modellezni kell.
•
Például AR-modell ARCH-hibataggal:• yt = a0 + a1yt-1 + a2yt-2 + ... + apyt-p + εt
• ahol εt ARCH-folyamatot követ.
• Ezzel tehát a feltételes várható érték és afeltételes variancia együttesen modellezhető.
8/16/2019 mats_12b_13a_GARCH1_2016
http://slidepdf.com/reader/full/mats12b13agarch12016 23/23
Tananyag
•
Enders 3.1-3.2. alfejezet