Serii de timp

MODELE ARCH
Aprilie 2021
Titular de curs: Prof.univ.dr.Cristina BOBOC
Email: cristina.boboc@csie.ase.ro
WEB page: www.cristinaboboc.wordpress.com
Modelarea ARCH

 ARCH: AutoRegressive Conditional Heteroscedasticity

 Autoregressive indică faptul că heteroscedasticitatea observată pe anumite
perioade de timp poate fi autocorelată
 Conditional specifică faptul că varianța depinde de valorile trecute ale erorilor
 Heteroscedasticity înseamnă că varianța nu este constantă

 ARCH înseamnă că seria de timp are o dispersie ce variază în timp

(heteroscedasticity) ce depinde (conditional) de efectele decalate
(autocorrelation).

 Aceste modele au fost popularizate de câștigătorul Premiului Nobel, Robert

F. Engel (1982). Engel a introdus pentru prima dată acest tip de modele,
considerând că varianţa erorii depinde de termeni de tipul Yt −i şi  t2−i .
Când se folosesc modelele de tip ARCH?
 Analiza evoluţiei pe termen lung a variabilelor financiare sau economice, relevă deseori
faptul ca varianţa acestora variază în timp. Astfel modelele ARCH au în vedere atât
previziunile economice dar și modelarea volatilității varianței.
 Modelele de tip ARCH sunt o clasă de modele populare în domeniul financiar pentru
modelarea:
 atitudinii investitorilor nu doar cu privire la valorile așteptate dar și cu privire la risk
 evoluţiei ratei inflaţiei, a dobânzilor, a ratei rentabilității activelor. Dacă nu este luat în
considerare și risk-ul sau variabilitatea este considerată constantă, în situații de volatilitate
mare pierderile ar imense din cauza erorilor mai de previziune

 Volatilitatea ridicată apare deseori în perioade cu turbulenţe politice sau economice

sau ca răspuns la anumite evenimente punctuale.
 Dedependenţa de timp a varianţei empirice în seria ratei rentabilităţii acţiunilor a fost
observată pentru prima dată de Kendall (1953):
 seria de timp disponibilă atunci fiind împărţită în două subeşantioane de date, în scopul analizei
omogenităţii varianţei în timp.
 autorul a observat cum media rămânea constantă iar varianţa creştea în timp
Modele ARCH/GARCH
 Idei fundamentale pentru modelarea ARCH:
 In abordarea tradiţională de tip Box-Jenkins previziunile sunt bazate pe media condiţionată
a variabilei E (Yt | Yt −1 , Yt − 2 ,...)
 Abordarea de tip ARCH ia în considerare, în elaborarea previziunilor, şi informaţiile
conţinute în varianţa condiţionată a procesului (momentul condiţionat de ordinul
doi).
 Abordarea de tip ARCH poate fi folosită atât pentru serii staționare în medie cât si
nestaționare în medie
 Abordarea de tip ARCH este specifică seriilor cu varianţă variabilă în timp (nestaţionare
relativ la varianţă).
 În abordarea de tip ARCH erorile nu au aceeaşi varianţă (adică nu verifică condiţia de
homoscedasticitate) intervalele de timp cu erori de previziune mari (în perioade de
instabilitate economică) fiind urmate de intervale cu erori mici.
Modelarea ARCH

 Ce este varianța condiționată?

 Ipoteza homoscedasticității (varianță constantă) este foarte limitativă în practică și
din acest motiv este de preferat să considerăm că varianța depinde (condițional) de
istoricul ei.

 Deci modelarea ARCH presupune estimarea, previziunea sau măsurarea

volatilității variabilelor economico-financiare.

 Modelarea ARCH se realizează prin intermediul a două tipuri de ecuaţii:

 ecuaţia mediei condiţionate ce poate include şi variabile exogene
 ecuaţia varianţei condiţionate.
Specificarea econometrică
 Fie modelul:
𝑌𝑡 = 𝑐 + 𝑢𝑡 [1]
𝑢𝑡 ห𝐼𝑡−1 ~𝑁 0, 𝜎𝑡2 [2]
𝜎𝑡2 = ℎ𝑡 [3]
 Ecuația [1]: 𝑌𝑡 este exprimat ca media lui, constanta c adunată cu un zgomot alb. Aceasta este
ecuația mediei.
 Ecuația [2]: Distribuția termenului eroare condiționată de informația disponibilă la momentul
t-1 este normală de medie zero și dispersie 𝜎𝑡2
 Ecuația [3]: Dispersia erorilor 𝜎𝑡2 variază în timp, este heteroscedastică, egală cu ℎ𝑡 .

 Procesul ARCH(1):
2
ℎ𝑡 = 𝑏0 + 𝑏1 𝑢𝑡−1 0 < 𝑏0 , 0 < 𝑏1 <1

 Interpretare:
 Când un șoc puternic intervine în perioada t-1 ne așteptăm ca valoarea lui ut să fie mare în
2
valoarea absolută, ceea ce înseamnă că atunci când 𝑢𝑡−1 este mic/mare și 𝑢𝑡2 va fi mic/mare.
 b1 0 pentru că pătratul erorilor prezintă corelație serială pozitivă și varianța este pozitivă
 𝑏1 <1 este o condiție de stabilitate – altfel procesul ar fi exploziv.
Specificarea econometrică
 Procesul ARCH(q) :
 2
ARCH(1): ℎ𝑡 = 𝑏0 + 𝑏1 𝑢𝑡−1 0 < 𝑏0 , 0 < 𝑏1
2 2
 ARCH(2): ℎ𝑡 = 𝑏0 + 𝑏1 𝑢𝑡−1 + 𝑏2 𝑢𝑡−2
 ...
2 2 𝑞 2
 ARCH(q): ℎ𝑡 = 𝑏0 + 𝑏1 𝑢𝑡−1 + ⋯ + 𝑏𝑞 𝑢𝑡−𝑞 = 𝑏0 + σ𝑖=1 𝑏𝑖 𝑢𝑡−𝑖

 Interpretare:
 Normalitatea condițională a erorilor înseamnă că distribuția depinde de
informația cunoscută de la momentul t-1:
2
 dacă t=2, 𝑢𝑡 ห𝐼1 ~𝑁 0, 𝑏0 + 𝑏1 𝑢𝑡−1
2
 dacă t=3, 𝑢𝑡 ห𝐼2 ~𝑁 0, 𝑏0 + 𝑏1 𝑢𝑡−1 ...
Exemple serii ce prezintă volatilitate

 Volatilitate:
Valorile seriei de timp se schimbă
rapid într-o formă aparent
necontrolată
 Volatilitate clusterizată:
Seria de timp prezintă perioade în
care schimbările sunt mari urmate
de perioade în care schimbările
sunt mai reduse
Simulare ARCH in EViews
 Pas 1 - se crează un fisier nou Eviews
 - se completează numele fișierului
 - se completează Frecventa Monthly/...
 - se specifică data de început și de final: Start date; End date

 Pas 2 – Se folosește interfața Command:

 Vom simula modelele:
Modelul cu varianță constantă: 𝜎𝑡2= ℎ𝑡 = 3,5 2
ARCH(2): ℎ𝑡 = 3,5 + 0,5∗ 𝑢𝑡−1 2
+ 0,48 ∗ 𝑢𝑡−2
Command: Command:
smpl @all smpl @all
series eta=nrnd series eta=nrnd
smpl @first @first+1 smpl @first @first+1
series y=@sqrt(3.5)*eta series y1=@sqrt(3.5/(0.5+0.48))*eta
smpl @first+2 @last smpl @first+2 @last
y= @sqrt(3.5)*eta y1= @sqrt(3.5+0.5*y(-1)^2+0.48*y1(-2)^2)*eta
smpl @all smpl @all
Rezultate simulare
Testarea existenței efectelor ARCH
 Înaintea estimării modelelor ARCH trebuie testată existența efectelor
ARCH(q). Dacă nu există efecte ARCH nu este necesară estimarea
modelelor de tip ARCH
 Pentru testarea existenței efectelor ARCH, reprezentarea efectelor AR în
rezidualuri este dată de:
2
 𝑢𝑡2 = 𝑏0 + 𝑏1 𝑢𝑡−1 2
+ ⋯ + 𝑏𝑞 𝑢𝑡−𝑞 +𝑒𝑡
 Semnificația parametrilor bi va indica presența volatilității condiționate, deci a
efectelor ARCH:
 Ipoteza nulă este: H0: b1 = ...= bq =0
 Pentru testarea efectelor ARCH(1):
 H0: b1 = 0 și H1: b1 ≠0
 Multiplicatorul Lagrange (LM) este folosit adesea pentru testarea existenței efectelor
ARCH
 Dacă nu există efecte ARCH, atunci b1 = 0 și modelul erorilor va fi foarte slab, R2 fiind
foarte mic
Testul Lagrange (LM)

 Statistica LM = (T-q)R2
 unde T este volumul eșantionului
 q este numărul de termeni autoregresivi din modelul pătratelor erorilor
 R2 este coeficientul de determinare din modelul erorilor

 Dacă H0 este adevărată:

 LM este distribuită pentru eșantioane mari 𝜒 2(𝑞)

 Regula de decizie:
 dacă LM 𝜒 2(1−𝛼,𝑞) atunci se respinge H0 deci există efecte de tip ARCH
 Fie datele privind indicele FTSE (Financial Times
Stock Exchange) din fisierul de date arch.xls
Exemplu
Exemplu
 b1=0.123 și este semnificativ statistic pentru un nivel de semnificație de 1%.
 LM=15,39, p-value=0,0001
 Deci ipoteza nulă privind inexistența efectelor ARCH este respinsă. Deci există efecte ARCH.
 Concluzie: Pentru obținerea unor rezultate mai bune este bine să estimăm un model ARCH
Estimarea modelelor ARCH
 Obiectiv:
 Folosind Eviews pentru exemplul indicelui FTSE se dorește previzionarea volatilității
randamentelor pentru stocurile FTSE
 Estimarea efectelor ARCH se realizează folosind metoda verosimilității maxime
Estimarea modelelor ARCH
 𝑏෠0 = 0.0003
 ℎ෠ 𝑡 = 𝑏෠0 + 𝑏෠1 𝑢ො 𝑡−1
2
=
2
= 0.0000646 + 0.0107 𝑢ො 𝑡−1

Rezultate:

- Ecuația mediei:
- randamentul mediu este de 0.0003

- Ecuația varianței:
- Volatilitatea este dependentă de timp:
- include o constantă semnificativă (0,0000646)
- O componentă ce depinde de valorile trecute
2
ale erorilor (0,107478 𝑢ො 𝑡−1 )
- Efectele ARCH sunt semnificative – statistica z
asociată este 4,83 care sugerează existența unui
coeficient ARCH(1) semnificativ
Previziunea modelelor ARCH
 Pentru previziune sunt folosite rezultatele obținute din estimarea modelului
ARCH pentru calculul valorilor statice și dinamice pentru medie,
previziunile erorii standard și a varianței condiționate.

 Pentru exemplul anterior:

 Randamentul mediu estimat este:
 𝑏෠0 = 0.0003
 Varianța estimată:
 ℎ෠ 𝑡+1 = 𝑏෠0 + 𝑏෠1 𝑢ො 𝑡2 unde 𝑢ො 𝑡2 =(𝑟𝑡 −𝑟𝑡Ƹ )2 estepatratul erorii estimate la momentul t care
este folosit[ pentru determinarea dispersiei condi’ionate de la moentul t+1
 Deci ℎ෠ 𝑡+1 = 0.0000646 + 0.107478(𝑟𝑡 −0.0003)2
Previziunea modelelor ARCH
 Previziunea modelelor ARCH
 Previziune în dinamică pentru întregul eșantion
 În acest caz volatilitatea este stabilă. Se află între limitele intervalului de
încredere.
 Varianța condiționată nu se modifică în timp
Previziunea modelelor ARCH

 Previziune statică pentru întregul eșantion

 Volatilitatea este stabilă. Ea se află între limitele intervalului de încredere.
Bibliografie
• Gujarati, D., Porter, D., Basic Econometrics, 5th edition, McGraw-Hill, 2009,

• EViews Learning Resouces, Online Tutorials

http://www.eviews.com/Learning/index.html, namely Time Series Estimation

• Youtube presentations: CrunchEconometrix