Modele ARCH-GARCH

Departamentul de Statistică și Econometrie

Academia de Studii Economice din București
www.dse.ase.ro
Serii de timp – aplicații pentru piețele financiare 1
1. Serii de timp cu volatilitate stochastică
▪ Modelarea seriilor de timp financiare necesită aplicarea unor modele și
tehnici specifice.
▪ Risc → volatilitate.

Danielsson, Jon, Marcela Valenzuela, and Ilknur Zer (2016).“Learning from History: Volatility and Financial Crises,” Finance and Economics
Discussion Series 2016-093. Washington: Board of Governors of the Federal Reserve System, https://doi.org/10.17016/FEDS.2016.093

Serii de timp
Serii de timp – aplicații pentru piețele financiare 2

Danielsson, Jon, Marcela Valenzuela, and Ilknur Zer (2016).“Learning from History: Volatility and Financial Crises,” Finance and Economics
Discussion Series 2016-093. Washington: Board of Governors of the Federal Reserve System, https://doi.org/10.17016/FEDS.2016.093

Serii de timp
Serii de timp – aplicații pentru piețele financiare 3
Stylized facts – Cont (2001)
▪ Seriile de timp ale prețurilor de tranzacționare ale acțiunilor sau altor
instrumente financiare nu sînt staționare și au cel puțin un trend local.
▪ Randamentele au distribuții leptokurtice (Kurtosis>3).
▪ Randamentele nu evoluează după un proces de tip white noise, întrucît
valorile funcției de autocorelație sînt semnificativ diferite de zero.

Randamentele zilnice ale indicilor DAX și FTSE 100. SFEtimeret

Serii de timp
Serii de timp – aplicații pentru piețele financiare 4
Volatility Clustering

▪ Variațiile mari ale prețului sînt urmate de variații de aceeași

magnitudine; variațiile mici ale prețului sînt urmate de
variații de mică intensitate.
2
▪ Cu alte cuvinte, seria rt prezintă corelare pozitivă.
▪ Randamentele sînt condițional heteroskedastice:
Var[rt +1 |  t ]  Var[rt +1 ] .
▪ Varianța randamentelor depinde de schimbările recente ale
prețului.

Serii de timp
Serii de timp – aplicații pentru piețele financiare 5
Varianța condiționată vs. Varianța necondiționată

- Var(X) =E(X−E(X))2 – varianța necondiționată

- Cond Var(x) =E(x-E(x|Ω))2

Serii de timp
Serii de timp – aplicații pentru piețele financiare 6
Procese ARCH (Auto Regressive Conditional Heteroskedasticity)
Engle, R. 1982. Autoregressive Conditional Heteroscedasticity
with Estimates of the Variance of United Kingdom Inflation,
Econometrica, Vol. 50, No. 4 (Jul., 1982), pp. 987-1007.

▪
rt =  +  t
rt = log Pt − log Pt −1
▪
▪  - risk premium
E[ t |  t −1 ] = 0
▪
▪ Var[ t | t −1 ]  ct
Varianța condiționată a lui  t este o funcție liniară de  t− k .
2
▪

Serii de timp
Serii de timp – aplicații pentru piețele financiare 7
ARCH(1)

▪ Procesul t este ARCH(1) dacă E[ t |  t −1 ] = 0 ,

 t2 =  + 1 t2−1 , cu   0,1  0 .

▪ Var( t | t −1 ) =  t2 .
▪ De regulă se presupune că Z t =  t /  t ~ N (0,1)   t |  t −1 ~

N (0, t2 ) .

▪ De asemenea, E[ t2 | t −1 ] =  t2 .
Alte notații pentru ARCH(1)

 t = Z t ht , unde ht =  + 1 t2−1 , cu   0,1  0 , și Z t ~ N (0,1) .

Serii de timp
Serii de timp – aplicații pentru piețele financiare 8
Proprietăți

▪ Condiția de stabilitate a procesului ARCH(1): 1  1 .

▪ Dacă t un proces ARCH(1), atunci distribuția necondiționată a lui

t este leptokurtică.

t un proces ARCH(1), atunci  t este un proces AR(1):

2
▪ Dacă

 t2 =  + 1 t2−1 + t .

Serii de timp
Serii de timp – aplicații pentru piețele financiare 9
ARCH(q)

▪ Procesul  t este ARCH(q) dacă E[ t |  t −1 ] = 0 ,

 t2 =  + 1 t2−1 + ... +  q t2−q , cu   0,1  0,...,  q  0 .

Proprietăți

▪ Condiția de stabilitate: 1 + ... +  q  1 .

t un proces ARCH(q), atunci  t este un proces AR(q):
2
▪ Dacă

 t2 =  + 1 t2−1 + ....+  q t2−q + t .

Serii de timp
Serii de timp – aplicații pentru piețele financiare 10
GARCH(p,q)

▪ Procesul  t este GARCH(p, q) dacă E[ t |  t −1 ] = 0 ,

 t2 =  + 1 t2−1 + ... +  q t2−q + 1 t2−1 + ... +  p t2− p ,

cu   0, 1  0,...,  q  0, 1  0,... p  0 .
▪ De regulă se prespune că
Zt =  t /  t N (0,1)   t | t −1 N (0,  t2 ) .
De asemenea, E[ t | t −1 ] =  t .
2 2
▪
Dacă  t un proces GARCH(p,q), atunci  t este un proces
2
▪
ARMA(m,q), unde m=max(p,q).

Serii de timp
Serii de timp – aplicații pentru piețele financiare 11
Modelul EGARCH(p,q)
q p
log( 2 t ) =  +   i ( t −i +  (|  t −i | − E |  t −i |)) +   j log( 2 t − j )
i =1 j =1

Modelul NARCH (Non-linear ARCH)

q p
 
t =  +   i |  t −i −  | +   j   t − j .


i =1 j =1

Threshold ARCH (TARCH)

q p
 2 t =  +  ( + i I ( t −i  0) +  − i ( t −i  0)) 2 t −i ) +   j 2 t − j
i =1 j =1

ARCH in MEAN (G)ARCH-M

yt = xt +  2 t +  t
q p
 2 t =  +   i  2 t −i +   j  2 t − j .
i =1 j =1

Serii de timp
Serii de timp – aplicații pentru piețele financiare 12

ARMA-GARCH

▪ Ecuația mediei:
rt =  + 1rt −1 ++ P rt − P + 1 t −1 + + Q t −Q +  t .

▪ Ecuația zgomotului:  t = zt t , cu zt i.i.d . (0,1) .

q p
▪ Ecuația varianței:  t =  +
2
 i 2t −i +   j 2t − j .
i =1 j =1

Serii de timp
Serii de timp – aplicații pentru piețele financiare 13
Estimarea modelelor ARCH-GARCH
▪ Se estimează modelul simplu rt = f () +  t , unde f ( )
poate fi o formă funcțională sau doar un termen liber.
▪ Se verifică ipoteza de zgomot alb a reziduurilor.
▪ Se verifică ipoteza de homoskedasticitate a reziduurilor,
folosind de exemplu testul Breusch-Goddfrey, ARCH etc.
Respingerea ipotezei nule este un semn de prezență a
efectelor ARCH-GARCH.
Analiza corelogramei pătratelor reziduurilor  t - dacă  t nu
2 2
▪
este zgomot alb, atunci este plauzibilă prezența efectelor
ARCH-GARCH.
▪ Estimarea mai multor clase de modele ARCH-GARCH și
reținerea modelului optim, conform criteriilor
informaționale (e.g. Akaike).
▪ Predicția varianței condiționate pe baza celui mai bun model.

Serii de timp
Serii de timp – aplicații pentru piețele financiare 14

2. Studiu de caz – Indicele BET

▪ Baza de date: date zilnice, 9/23/1997-5/24/2011

▪ Sursa: www.bvb.ro

▪ Software: , , , .

Serii de timp
Serii de timp – aplicații pentru piețele financiare 15
▪ Calculul randamentelor logaritmice, pe baza prețului de
închidere.
CLOSE LOGRETURN

12,000 .15

10,000 .10

8,000 .05

6,000 .00

4,000 -.05

2,000 -.10

0 -.15
97 98 99 00 01 02 03 04 05 06 07 08 09 10 11
97 98 99 00 01 02 03 04 05 06 07 08 09 10 11

▪ Pt - prețul de închidere din ziua t.

▪ rt = log( Pt ) − log( Pt −1 ) - randamentul logaritmic.

Serii de timp
Serii de timp – aplicații pentru piețele financiare 16
▪ Unit root test – serie staționară.

Null Hypothesis: LOGRETURN has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=28)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -48.68599 0.0001

Test critical values: 1% level -3.432083
5% level -2.862191
10% level -2.567161

*MacKinnon (1996) one-sided p-values.

Serii de timp
Serii de timp – aplicații pentru piețele financiare 17
▪ Corelograma – AR(1), MA(1), ARMA(1,1)?

Model Akaike info Log-likelihood

criterion
AR(1) -5.135 8743.924
MA(1) -5.134 8743.318
ARMA(1,1) -5.134 8744.164*
*Nu are toți coeficienții semnificativi.

Serii de timp
Serii de timp – aplicații pentru piețele financiare 18
AR (1): rt = 1rt −1 +  t .

Dependent Variable: LOGRETURN

Method: ARMA Maximum Likelihood (OPG - BHHH)

Variable Coefficient Std. Error t-Statistic Prob.

AR(1) 0.179267 0.008534 21.00517 0.0000

SIGMASQ 0.000344 4.23E-06 81.42143 0.0000

R-squared 0.031471 Mean dependent var 0.000500

Adjusted R-squared 0.031186 S.D. dependent var 0.018859
S.E. of regression 0.018562 Akaike info criterion -5.134757
Sum squared resid 1.172551 Schwarz criterion -5.131155
Log likelihood 8743.924 Hannan-Quinn criter. -5.133470
Durbin-Watson stat 1.995326

Inverted AR Roots .18

Serii de timp
Serii de timp – aplicații pentru piețele financiare 19

▪ Corelograma reziduurilor

t  t2

Serii de timp
Serii de timp – aplicații pentru piețele financiare 20
▪ Teste de homoskedasticitate
Heteroskedasticity Test: ARCH

F-statistic 470.2451 Prob. F(1,3402) 0.0000

Obs*R-squared 413.3815 Prob. Chi-Square(1) 0.0000

Dependent Variable: RESID^2

Variable Coefficient Std. Error t-Statistic Prob.

C 0.000224 1.64E-05 13.65484 0.0000

RESID^2(-1) 0.348483 0.016070 21.68514 0.0000

R-squared 0.121440 Mean dependent var 0.000344

Adjusted R-squared 0.121182 S.D. dependent var 0.000963
S.E. of regression 0.000903 Akaike info criterion -11.18155
Sum squared resid 0.002773 Schwarz criterion -11.17795
Log likelihood 19033.00 Hannan-Quinn criter. -11.18026
F-statistic 470.2451 Durbin-Watson stat 2.080907
Prob(F-statistic) 0.000000
Serii de timp
Serii de timp – aplicații pentru piețele financiare 21

Modele ARMA-GARCH

- Ecuația mediei: rt = 1rt −1 +  t .

- Ecuația zgomotului:  t = zt t
- Ecuația varianței: ARCH-GARCH.

• GARCH (1,1):  t2 =  + 1 t2−1 + 1 t2−1 .

• EGARCH(1,1):
log( 2t ) =  + 1 ( t −1 +  (|  t −1 | − E |  t −1 |)) + 1 log( 2t −1 ) .
• EGARCH(1,2):
log( 2t ) =  + 1 ( t −1 +  (|  t −1 | − E |  t −1 |)) + 1 log( 2t −1 ) +
+  2 log( 2t −2 ).

Serii de timp
Serii de timp – aplicații pentru piețele financiare 22

Hannan-
Schwarz Quinn Log
Model Akaike info criterion criterion criter. likelihood
GARCH(1,1) -5.06603 -5.05882 -5.06345 8626.376
EGARCH(1,1) -5.47347 -5.46446 -5.47025 9320.848
EGARCH(1,2) -5.47976 -5.46895 -5.4759 9332.551

Corelograma pătratelor reziduurilor – EGARCH (1,2).

Serii de timp
Serii de timp – aplicații pentru piețele financiare 23
▪ Predicția varianței conditionate

Serii de timp
Serii de timp – aplicații pentru piețele financiare 24

▪ Predicția Value-at-Risk (95%) ????

.15

.10

.05

.00

-.05

-.10

-.15

-.20
97 98 99 00 01 02 03 04 05 06 07 08 09 10 11

VALUE_AT_RISK LOGRETURN

Serii de timp
Serii de timp – aplicații pentru piețele financiare 25
3. Concluzii
▪ Riscul activelor financiare poate fi modelat prin intermediul
seriilor de timp cu volatilitate stochastică.
▪ În procesul de modelare ARMA/GARCH există o importantă
componentă euristică.

Serii de timp