garch模型是用来干嘛的

1. garch模型是用来干嘛的

GARCH模型是一个专门针对金融数据所量体订做的回归模型，除去和普通回归模型相同的之处，GARCH对误差的方差进行了进一步的建模。
特别适用于波动性的分析和预测，这样的分析对投资者的决策能起到非常重要的指导性作用，其意义很多时候超过了对数值本身的分析和预测。

GARCH模型的定义：
ARCH模型的实质是使用残差平方序列的q阶移动平移拟合当期异方差函数值，由于移动平均模型具有自相关系数q阶截尾性，所以ARCH模型实际上只适用于异方差函数短期自相关系数。 
但是在实践中，有些残差序列的异方差函数是具有长期自关性，这时使用ARCH模型拟合异方差函数，将会产生很高的移动平均阶数，增加参数估计的难度并最终影响ARCH模型的拟合精度。 
为了修正个问题，提出了广义自回归条件异方差模型， 这个模型简记为GARCH（p,q）. 
GARCH模型实际上就是在ARCH的基础上，增加考虑异方差函数的p阶自回归性而形成，它可以有效的拟合具有长期记忆性的异方差函数。ARCH模型是GARCH模型的一个特例，p=0的GARCH（p,q）模型。

2. 什么是arch模型和garch模型？

1、ARCH模型（Autoregressive conditional heteroskedasticity model）全称“自回归条件异方差模型”，解决了传统的计量经济学对时间序列变量的第二个假设（方差恒定）所引起的问题。
2、GARCH模型称为广义ARCH模型，是ARCH模型的拓展，由Bollerslev(1986)发展起来的。
（1）GARCH模型（波勒斯勒夫（Bollerslev），1986年）。GARCH（p，q）模型为：



（2）GARCH-M模型把异方差项引入平均数方程式。一个简单的GARCH-M（1，1）模型可以表示为：







扩展资料：
GARCH的发展：
传统的计量经济学对时间序列变量的第二个假设：假定时间序列变量的波动幅度（方差）是固定的，不符合实际，比如，人们早就发现股票收益的波动幅度是随时间而变化的，并非常数。这使得传统的时间序列分析对实际问题并不有效。
罗伯特·恩格尔在1982年发表在《计量经济学》杂志（Econometrica）的一篇论文中提出了ARCH模型解决了时间序列的波动性（volatility）问题，当时他研究的是英国通货膨胀率的波动性。
参考资料来源：百度百科-GARCH模型
参考资料来源：百度百科-ARCH模型

3. GARCH模型的定义

GARCH(p,q)表示如下σt2=ω+Σαiεt-i2+Σβiσt-i2它被广泛的用于金融资产收益和风险的预测。ARCH模型实际上只适用于异方差函数短期自相关过程，相比于ARCH模型，GARCH模型更能反映实际数据中的长期记忆性质。自从Engle(1982)提出ARCH模型分析时间序列的异方差性以后，波勒斯列夫T.Bollerslev(1986)又提出了GARCH模型，GARCH模型是一个专门针对金融数据所量体订做的回归模型，除去和普通回归模型相同的之处，GARCH对误差的方差进行了进一步的建模。特别适用于波动性的分析和预测，这样的分析对投资者的决策能起到非常重要的指导性作用，其意义很多时候超过了对数值本身的分析和预测。

4. GARCH模型的建模步骤是什么？

如下：
时间序列建模都要从平稳性检验开始，做完平稳性检验（如果是考虑多序列的还要做协整检验），就开始做均值模型（arima等），对均值模型的残差进行检验，如果发现又arch效应，才对残差建立Garch模型。
ARCH模型（Autoregressive conditional heteroskedasticity model）全称“自回归条件异方差模型”，解决了传统的计量经济学对时间序列变量的第二个假设（方差恒定）所引起的问题。GARCH模型称为广义ARCH模型，是ARCH模型的拓展，由Bollerslev(1986)发展起来的。

时间序列是按照时间排序的一组随机变量，它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。
时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势，而时间序列预测方法的核心就是从数据中挖掘出这种规律，并利用其对将来的数据做出估计。
构成要素：长期趋势，季节变动，循环变动，不规则变动。
1）长期趋势（T）现象在较长时期内受某种根本性因素作用而形成的总的变动趋势。
2）季节变动（S）现象在一年内随着季节的变化而发生的有规律的周期性变动。
3）循环变动（C）现象以若干年为周期所呈现出的波浪起伏形态的有规律的变动。
4）不规则变动（I）是一种无规律可循的变动，包括严格的随机变动和不规则的突发性影响很大的变动两种类型。

5. GARCH模型的原理

一般的GARCH模型可以表示为：其中ht为条件方差，ut为独立同分布的随机变量，ht与ut互相独立，ut为标准正态分布。（1）式称为条件均值方程；（3）式称为条件方差方程，说明时间序列条件方差的变化特征。为了适应收益率序列经验分布的尖峰厚尾特征，也可假设 服从其他分布，如Bollerslev (1987)假设收益率服从广义t-分布，Nelson(1991)提出的EGARCH模型采用了GED分布等。另外，许多实证研究表明收益率分布不但存在尖峰厚尾特性，而且收益率残差对收益率的影响还存在非对称性。当市场受到负冲击时，股价下跌，收益率的条件方差扩大，导致股价和收益率的波动性更大；反之，股价上升时，波动性减小。股价下跌导致公司的股票价值下降，如果假设公司债务不变，则公司的财务杠杆上升，持有股票的风险提高。因此负冲击对条件方差的这种影响又被称作杠杆效应。由于GARCH模型中，正的和负的冲击对条件方差的影响是对称的，因此GARCH模型不能刻画收益率条件方差波动的非对称性。

6. GARCH模型的发展

为了衡量收益率波动的非对称性，Glosten、Jagannathan与Runkel（1989）提出了GJR模型，在条件方差方程（3）中加入负冲击的杠杆效应，但仍采用正态分布假设。Nelson(1991)提出了EGARCH模型。Engle等（1993）利用信息反应曲线分析比较了各种模型的杠杆效应，认为GJR模型最好地刻画了收益率的杠杆效应。Glosten、Jagannathan与Runkel（1993）分析比较了各种GARCH-M模型，指出不同的模型设定会导致条件方差对收益率产生正或负的不同影响

7. ARCH模型的简介

作为一种全新的理论，ARCH模型在近十几年里得到了极为迅速的发展，已被广泛地用于验证金融理论中的规律描述以及金融市场的预测和决策。ARCH模型是获得2003年诺贝尔经济学奖的计量经济学成果之一。被认为是最集中反映了方差变化特点而被广泛应用于金融数据时间序列分析的模型。ARCH模型是过去20年内金融计量学发展中最重大的创新。所有的波动率模型中,ARCH类模型无论从理论研究的深度还是从实证运用的广泛性来说都是独一无二的。 ARCH模型指自回归条件异方差模型，该模型针对因变量的方差进行描述并预测。其中，被解释变量的方差按照公式的设定而依赖于该变量的过去值，或依赖于一些独立的外生变量。

8. ARCH模型的介绍

ARCH模型(Autoregressive conditional heteroskedasticity model) ARCH模型由美国加州大学圣迭戈分校罗伯特·恩格尔(Engle)教授1982年在《计量经济学》杂志（Econometrica）的一篇论文中首次提出。此后在计量经济领域中得到迅速发展。 所谓ARCH模型，按照英文直译是自回归条件异方差模型。粗略地说，该模型将当前一切可利用信息作为条件，并采用某种自回归形式来刻划方差的变异，对于一个时间序列而言，在不同时刻可利用的信息不同，而相应的条件方差也不同，利用ARCH 模型，可以刻划出随时间而变异的条件方差。