Jaka jest różnica między GARCH a ARMA?


42

Jestem zdezorientowany. Nie rozumiem różnicy między ARiMR a procesem GARCH .. dla mnie są takie same nie?

Oto proces (G) ARCH (p, q)

σt2=α0+i=1qαirti2ARCH+i=1pβiσti2GARCH

A oto ARiMR ( p,q ):

Xt=c+εt+i=1pφiXti+i=1qθiεti.

Czy ARMA jest po prostu rozszerzeniem GARCH, GARCH jest używany tylko do zwrotów i przy założeniu r=σε gdzie ε następuje po silnym białym procesie?


1
Oprócz odpowiedzi fg nu proces wariancji w GARCH jest zmienny w czasie. Istnieje jednak pewna sztuczka polegająca na tym, że biorąc pod uwagę szereg czasowy zwrotu logarytmicznego SP500, aby uzyskać proces zmienności, co powinniśmy zrobić? Niektórzy twierdzą, że potrzebujemy użyć modelu ARMA do wycofania szeregu resztkowego, a następnie podłączyć tę serię resztkową do modelu GARCH, aby uzyskać proces wariancji warunkowej? A może bezpośrednio podłączyć proces zwracania dziennika do procesu zwracania dziennika SP500 do modelu GARCH, aby uzyskać warunkową wariancję?

Odpowiedzi:


48

Łączymy cechy procesu z jego reprezentacją. Rozważmy proces (zwrot) .(Yt)t=0

  • Model ARMA (p, q) określa średnią warunkową procesu jako

tu, żeTjest zestaw informacji w czasiet, która jestσ-algebra generowane przez opóźnione wartościami procesu wynikowego(Yt).

E(YtIt)=α0+j=1pαjYtj+k=1qβkϵtk
Ittσ(Yt)
  • Model GARCH (r, s) określa warunkową wariancję procesu
    V(YtIt)=V(ϵtIt)σt2=δ0+l=1rδjσtl2+m=1sγkϵtm2

Należy zwrócić uwagę w szczególności na pierwszą równoważność .V(YtIt)=V(ϵtIt)

Poza tym : Na podstawie tej reprezentacji możesz napisać gdzie Z t jest silnym procesem białego szumu, ale wynika to ze sposobu zdefiniowania procesu.

ϵtσtZt
Zt
  • Oba modele (dla średniej warunkowej i wariancji) są doskonale ze sobą kompatybilne, ponieważ średnią z tego procesu można modelować jako ARMA, a wariancje jako GARCH. Prowadzi to do pełnej specyfikacji modelu ARMA (p, q) -GARCH (r, s) dla procesu, jak w poniższej reprezentacji
    Yt=α0+j=1pαjYtj+k=1qβkϵtk+ϵtE(ϵtIt)=0,tV(ϵtIt)=δ0+l=1rδlσtl2+m=1sγmϵtm2t

Czy nie powinieneś polegać na informacjach w czasie jeśli wszystkie regresory są opóźnione? t1
Jase

@Jase Zwróć uwagę na definicję: „Tutaj jest zestawem informacji w czasie t , który jest algebrą σ generowaną przez opóźnione wartości procesu wyniku ( Y t ) ”. To znaczy, I t = σ ( Y t - 1 , Y t - 2, ) . Niektórzy autorzy piszą to jako I t - 1, ale jest to sprzeczne z pojęciem zbioru informacji w czasie t . Ittσ(Yt)It=σ(Yt1,Yt2,)It1t
tchakravarty,

Miły! Czy wiesz, dlaczego używamy sigma-algebry, a nie filtracji?
Jase

1
@Jase, sekwencja zbiorów informacji stanowi filtrację . (It)t=0
tchakravarty,

16

Edycja: Zdałem sobie sprawę, że brakuje odpowiedzi i dlatego podałem bardziej precyzyjną odpowiedź (patrz poniżej - a może powyżej). Zedytowałem ten pod kątem błędów rzeczowych i pozostawiam go do zapisu.


Różne parametry ostrości:

  • ARiMR jest modelem do realizacji procesu stochastycznego, który narzuca określoną strukturę średniej warunkowej procesu.
  • GARCH jest modelem do realizacji procesu stochastycznego, który narzuca określoną strukturę warunkowej wariancji procesu.

Model stochastyczny kontra deterministyczny:

  • ARMA jest modelem stochastycznym w tym sensie, że zmienna zależna - realizacja procesu stochastycznego - jest określona jako suma funkcji deterministycznej opóźnionej zmiennej zależnej i błędu modelu opóźnionego (średnia warunkowa) oraz składnika błędu stochastycznego.
  • GARCH jest modelem deterministycznym w tym sensie, że zmienna zależna - warunkowa wariacja procesu - jest czysto deterministyczną funkcją zmiennych opóźnionych.

1
rt=σtεtεtt

1
@mpiktas, True. Jeśli model GARCH zawiera dwa równania, jedno dla średniej warunkowej (przykład, o którym pisałeś powyżej), a drugie dla wariancji warunkowej (która intuicyjnie, choć nie matematycznie, jest „głównym równaniem” modelu), mój argument ma zastosowanie tylko do tego ostatniego równania.
Richard Hardy,

10

ARMA

ytp,qIt1ytμtytIt1ut

yt=μt+ut;μt=φ1yt1++φpytp+θ1ut1++θqutq  (known, predetermined);ut|It1 D(0,σ2)  (random)

D

μtp,q

μt=φ1μt1++φpμtp+(φ1+θ1)ut1++(φm+θm)utm,
m:=max(p,q)φi=0i>pθj=0j>qp,mp,qyt

yt

ytD(μt,σt2);μt=φ1μt1++φpμtp+(φ1+θ1)ut1++(φm+θm)utm;σt2=σ2,

Ta ostatnia reprezentacja ułatwia porównanie ARMA z GARCH i ARMA-GARCH.

GARCH

yts,r

ytD(μt,σt2);μt=μ;σt2=ω+α1ut12++αsuts2+β1σt12++βrσtr2;utσti.i.D(0,1),

ut:=ytμtD

σt2s,r

ARMA-GARCH

ytp,qs,r

ytD(μt,σt2);μt=φ1μt1++φpμtp+(φ1+θ1)ut1++(φm+θm)utm;σt2=ω+α1ut12++αsuts2+β1σt12++βrσtr2;utσti.i.D(0,1),

ut:=ytμtDφi=0i>pθj=0j>q


ytIt1


3

Procesy ARiMR i GARCH są bardzo podobne w swojej prezentacji. Linia podziału między nimi jest bardzo cienka, ponieważ otrzymujemy GARCH, gdy zakłada się proces ARMA dla wariancji błędu.

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.