利用eviews实现时间序列的平稳性检验与协整检验以及GARCH模型.doc

在对时间序列y、x1进行回归分析时 需要考虑y与x1之间是否存在某种切实的关系，所以需要进行协整检验。 1.1 利用eviews创建时间序列y、x1 ： 打开eviews软件 点击file-new-workfile，见对话框又三块空白处 workfile structure type处又三项选择，分别是非时间序列unstructured/undate，时间序列dated-regular frequency，和不明英语balance panel。选择时间序列dated-regular frequency。在date specification中选择年度，半年度或者季度等，和起始时间。右下角为工作间取名字和页数。点击ok。在所创建的workfile中点击object-new object，选择series，以及填写名字如y，点击ok。将数据填写入内。1.2 对序列y进行平稳性检验： 此时应对序列数据取对数，取对数的好处在于可将间距很大的数据转换为间距较小的数据。具体做法是在workfile y的窗口中点击genr，输入logy=log(y),则生成y的对数序列logy。再对logy序列进行平稳性检验。 点击view-united root test，test type选择adf检验，滞后阶数中lag length选择sic检验，点击ok得结果如下：null hypothesis: logy has a unit rootexogenous: constantlag length: 0 (automatic based on sic, maxlag=1) t-statistic prob.*augmented dickey-fuller test statistic -2.75094601716637 0.0995139988900359test critical values: 1% level -4.29707275602226 5% level -3.21269639026225 10% level -2.74767611540013 当检验值augmented dickey-fuller test statistic的绝对值大于临界值绝对值时，序列为平稳序列。若非平稳序列，则对logy取一阶差分，再进行平稳性检验。直到出现平稳序列。假设dlogy和dlogx1为平稳序列。1.3 对dlogy和dlogx1进行协整检验 点击窗口quick-equation estimation，输入dlogy c dlogx1，点击ok，得到运行结果，再点击proc-make residual series进行残差提取得到残差序列，再对残差序列进行平稳性检验，若残差为平稳序列，则dlogy与dlogx1存在协整关系。garch模型与应用简介 (2006, 5)0. 前言.21. garch模型.72. 模型的参数估计163. 模型检验274. 模型的应用325. 实例.426. 某些新进展.46参考文献.500. 前言 (随机序列的条件均值与条件方差简介)考察严平稳随机序列yt, 且e|yt|. 记其均值eyt=m,协方差函数gk=e(yt-m)(yt+k-m). 其条件期望(或条件均值): e(ytyt-1,yt-2,)j(yt-1,yt-2,), (0.1)依条件期望的性质有ej(yt-1,yt-2,)=ee(ytyt-1,yt-2,)= eyt =m. (0.2)记误差(或残差): et yt -j(yt-1,yt-2,). (0.3)由(0.1)(0.2)式必有: eet=eyt-ej(yt-1,yt-2,) =eyt-eyt=0, (0-均值性) (0.4)及eet2=eyt -j(yt-1,yt-2,)2 =e(yt-m)-j(yt-1,yt-2,)-m2 (中心化) =e(yt-m)2+ej(yt-1,yt-2,)-m2-2e(yt-m)j(yt-1,yt-2,)-m =g0+varj(yt-1,yt-2,)-2ee(yt-m)j(yt-1,yt-2,)-myt-1,yt-2,( 根据 ex=eexyt-1,yt-2, ) =g0+varj(yt-1,yt-2,)-2ej(yt-1,yt-2,)-me(yt-m)yt-1,yt-2,( 再用 exy( yt-1,yt-2,)yt-1,yt-2,=y( yt-1,yt-2,) exyt-1,yt-2,;并取x= (yt-m), y( yt-1,yt-2,)=j(yt-1,yt-2,)-m;由(0.1)(0.2)可得 )=g0+varj(yt-1,yt-2,)-2ej(yt-1,yt-2,)-m2 =g0-varj(yt-1,yt-2,). (0.5)即有: g0=var(yt)=var(j(yt-1,yt-2,)+var(et). (0.6)此式表明, yt的方差(=g0)可表示为: 回归函数的方差(var(j(yt-1,yt-2,), 与残差的方差(var(et)之和. 下边讨论et的条件均值与条件方差.为了符号简便, 以下记ft-1=yt-1,yt-2,.首先考虑et的条件均值: e(etft-1)=eyt-j( yt-1,yt-2,) ft-1=e(yt ft-1)- ej( yt-1,yt-2,) ft-1= j( yt-1,yt-2,)- j( yt-1,yt-2,)=0. (0.7)再看条件方差:var(etft-1)=eet- e(etft-1)2 ft-1 = eet2 ft-1 (用(0.7)式) s2(yt-1,yt-2,). (0.8)此处s2(yt-1,yt-2,)为条件方差函数. 注意, et的条件均值是零, 条件方差是非负的函数s2(yt-1,yt-2,), 它不一定是常数! 依(0.3)式, 平稳随机序列yt总有如下表达式:yt = j( yt-1,yt-2,)+et, (0.9) 其中j(yt-1,yt-2,)被称为自回归函数, 不一定是线性的. et可称为新息序列, 与线性模型的新息序列不同, 除非yt是正态序列. 顺便指出, 满足(0.4)式的et为鞅差序列, 因为对它的求和是离散的鞅序列. 由于yt是严平稳随机序列, 且e|yt|0. (1.2)换句话说, 考虑如下的(0.9)模型yt=et, (1.3) 它的标准化的模型(0.12)为 yt=s(yt-1,yt-2,)et. (1.4)请注意, 这一模型几乎含盖了所有的条件异方差模型. 我们不可能泛泛地讨论它. 再请回看对鞅差序列et的限制的历程, 以下我们要讲的恰好是:“et=s(yt-1, yt-2, )et，但et为i.i.d. n(0,2)序列,而且s(yt-1, yt-2, )为有限参模型, (1982-).再新的内容, 我们也将提到. 至此, 大家完全明白我们将要讨论什么样的序列.为说明该序列的某些特征, 先看一看序列et的自协方差函数序列: ge(k)=eet+ket= ee(et+ketet+k-1,et+k-2,) = eete(et+ket+k-1,et+k-2,) = eet0=0, k1.可见, 平稳鞅差序列也是白噪声. 根据自协方差序列做平稳序列的建模和谱分析时, 除了判断j(yt-1,yt-2,)=0外, 几乎无话可说. 换句话说, 相关性分析和谱分析不能对(1.4)式的序列作出更深刻的分析. 为了进一步获得它的深入的结构特征, 必须引入新的概念和新的方法.1.2. arch(p)模型. (arch- autoregressive conditional heteroscedasticity)在金融界, 大量的数据序列呈现不可预报性, 相当于前面的(0.9)或(0.12)式中的j(yt-1,yt-2, )=0, 于是有兴趣研究(1.4)模型. engle(1982)首先提出并使用了如下的有限参数模型: yt=s(yt-1, yt-2, )et ht1/2 et, (1.5) ht=a0+a1yt-12+a2yt-22+apyt-p2, (1.6)a00, ai0, i=1,2,p.其中et为i.i.d.的序列, etn(0, 1), 且et与yt-1, yt-2, 独立, 为了简化记号, 记ht=s2(yt-1, yt-2, ). 此模型被称为自回归条件异方差模型, 简记arch(p),其中p表示模型的阶数. 很明显, 此模型只是普遍适用的(1.4)式模型的子类, 因为, 在arch模型中对模型(1.4)添加了很多的人为限制. 为了增进对arch模型的了解, 我们将作几点明, 以代替严格的推理论述.其一, 限定et为i.i.d.序列! 这是很强的限制, 这是由于现有理论的基楚所限. 其二, 限定条件方差有(1.6)式的简单形式, 即ht=s2(yt-1, yt-2, )=a0+a1yt-12+a2yt-22+apyt-p2,是为了统计分析方便. 其三, 限定et服从正态分布, 是为了求极大似然估计方便. 限制 etn(0, 1), 而不用 etn(0, s2), 是因为et满足标准化的模型(0.11)式.其四, 限制 a00, ai0, i=1,2,p, 是为了保证条件方差函数ht=s2(yt-1, yt-2, )0. 限制 a00, 而不是a00, 这是为了保证模型(1.5)(1.6)有平稳解, 否则, 当a0=0时它没有平稳解! 这可从以下简单例子看出. 考查如下arch(1) 模型:ht=a1 yt-12,将它代入(1.5)式得yt=ht1/2 et=(a1 yt-12)1/2 et,将它两边平方得 yt2=a1yt-12et2,将它两边取对数得log(yt2)=log(a1)+log(yt-12)+log(et2), (1.7)记xt=log(yt2), c=log(a1), ht=log(et2)(仍为i.i.d.序列), 上式为xt = c+ xt-1+ ht,这不是熟知的一元ar(1)模型吗? 而且不满足平稳性条件! 所以, 没有平稳解. 从而模型(1.5)也没有平稳解.其五, 为使arch模型有平稳解, 对系数ai(i=1,2,p)还要加限制. 较早的限制(也是较强)是 a1+a2+ap0, ai0, i=1,2,p.易见, (1.5)式与(1.5)式是等价的. 其七, arch模型有不同的变形形式. 仿(1.7)式的做法, 即将(1.5)式两边平方, 再将(1.6)式代入其中可得yt2=htet2=(a0+a1yt-12+a2yt-22+apyt-p2)et2 =(a0+a1yt-12+a2yt-22+apyt-p2)(1+et2-1) =a0+a1yt-12+a2yt-22+apyt-p2+(et2-1)(a0+a1yt-12+a2yt-22+apyt-p2) =a0+a1yt-12+a2yt-22+apyt-p2+ ht(et2-1) =a0+a1yt-12+a2yt-22+apyt-p2+ wt , (1.9)对序列yt2而言, 此式很像线性ar(p)模型, 其中wt=ht(et2-1)是一个平稳的鞅差序列, 因为ewt|yt-1,yt-2, =eht(et2-1)|yt-1,yt-2, = ehtet2|yt-1,yt-2, -eht|yt-1,yt-2, = hteet2|yt-1,yt-2, -eht|yt-1,yt-2, (依(1.6)= ht - ht =0. (1.10)用(1.9)式和线性ar(p)模型的求解方法, 可得yt2的平稳解. 但是, 从原理上说, 得到了yt2的解, 还不能说就得到了原序列yt的解. 好在当我们只关心yt的条件方差时, 有了yt2的解也足够用了. (1.9)式的变形方式是严格的, 可放心地使用它. 所谓使用它, 就是将原数据平方后得到 y12 , y22 , , yt2, 对它们建立ar(p)模型, 便得到参数a0,a1,ap的一种估计.如果对yt2=htet2两边取对数可得 log(yt2)=log(ht)+log(et2) =log(a0+a1yt-12+a2yt-22+apyt-p2)+log(et2)记x(t)=log(yt2), c=elog(et2), ht=log(et2)-c, 于是上式可写成x(t)=c+log(a0+a1ex(t-1)+a2ex(t-2)+ap ex(t-p)+ ht. 于是又得到arch模型的另一种变形. 此式是关于序列x(t)的非线性自回归模型, 注意, 上式中的序列ht是i.i.d.的. 此外, arch模型还有别的表示方法, 不再一一介绍了.其八, 根据数据y1,y2,yt, 要作自回归条件异方差模型的统计分析, 包含两项内容, 首先是用假设检验方法, 判别这些数据是否有条件异方差条件性, 即, s(yt-1, yt-2, )=常数? 如果是否定回答, 第二项内容就是对arch模型未知参数的估计. 在第2节中, 我们将介绍参数的估计方法, 在第3节中, 介绍检验方法.1.3. garch(generalized arch) 模型:在engle(1982)提出arch模型后, 受到应用者的关注, 特别是金融界. 稍后几年, 也被时间序列分析理论研究所重视. 从前面对新息序列et限制条件的放宽过程可见, 提出arch模型, 无疑是对时间序列分析理论和应用研究有开拓性的意义. 在对arch模型的理论研究和应用中, 人们自然会发问: 在(1.6)式中, yt的条件方差s2(yt-1, yt-2, ) ht=a0+a1yt-12+a2yt-22+apyt-p2, 只依赖于p个历史值, 能否考虑依赖全部历史值的情况? bollerslev(1986)给出了回答, 他提出了如下的更广的模型, 即garch模型:yt=s(yt-1, yt-2, )et ht1/2 et, (1.11)ht=a0+a1yt-12+a2yt-22+apyt-p2+b1ht-1+bqht-q, (1.12)a00, ai0, i=1,2,p; bj0, j=1,2,q. (1.13)其中et为i.i.d.的n(0,1)分布, 且et与 yt-1, yt-2, 独立.对此garch模型作如下说明:其一, 利用(1.12)式反复迭代可得知, ht= s2(yt-1, yt-2, )确实依赖序列的全部历史值, 但是, ht仅依赖有限个参数.其二, 在1997年诺贝尔经济学奖, 被两位研究期权定价理论的black-scholes方程的学者获得. 从理论上人们发现, black-scholes方程的解是连续时间变化的随机过程, 对它进行等间隔离散化采样, 所得到的序列, 恰好满足garch模型. 于是, garch模型更被认可, 而且, 金融界特别偏爱garch模型.其三, 如前所述, (1.13)式的条件 a00, 仍不能放宽为a00. 而且, (1.13)式中的条件 ai0, i=1,2,p, 还应附加一个限制: a1+a2+ ap0, 否则如果全部 ai=0 (i=1,2,p)将导致(1.12)式的ht为常数(仍用迭代法可证明). 这一点未在文献中指出, 一个潜在原因是: 应用者默认p 1, 且ap0. 其四, 与对arch模型的说明中的其五很类似, 为使garch模型有平稳解, 对系数ai(i=1,2,p)和bj0, j=1,2,q. 还要加限制. 较早的限制(也是较强)是 a1+ap+b1+ bq p时ak=0; 当kq时bk=0, wt=ht(et2 1). 如前所述wt是平稳鞅差序列, 所以, 以上表达式说明, ht是由wt驱动的平稳arma序列. 以上模型不仅表达了garch模型的结构特性, 而且, 依此可借助于平稳arma序列建模方法, 得到garch模型参数的一种简单的估计方法. 关于garch模型的参数估计 和检验方法, 分别在第2节和第3节中介绍.2. garch模型的参数估计2.1. 概述在实际应用中, 人们拥有序列观测值y1,y2,yn , 如果要为它们建立garch模型, 将面对着下列问题: 为什么要建立garch模型? 用多少阶数的模型? 怎样获得模型的参数值? 回答了这些问题, 就解决了为garch模型建模的问题. 前两个问题将在下一节中讨论, 这一节只讨论模型的参数估计问题, 换言之, 讨论在模型阶数已知时, 如何根据观测值y1,y2,yn, 估计出garch(或者arch) 模型的参数. 在统计学中有多种方法可以用来解决这一问题, 这里只介绍两种估计方法. 一种是比较简单的方法, 另一种是熟知的极大似然估计方法. 前一种估计可能不如后者精细, 但是它可作为用迭代法求取后者时的初始值. 另外, 对arch和garch模型而言, 它们的参数估计方法的难易程度有明显差异, 所以, 我们将分别予以介绍.2.2. arch模型的参数估计2.2.1. 最小二乘法估计最小二乘法是非常熟悉的方法，此方法是基于最小二乘原理。我们先指出在此可以使用此原理的依据， 为此不妨以arch（1）模型为例说明之。依(1.9)式知， 满足arch(1)模型的序列 yt必满足以下模型yt 2=a0+a1yt-12+ wt , (2.1)其中wt是鞅差序列，而且wt= ht(et2-1), 于是有e wt| yt-12=e ht(et2-1) | yt-12 = ht e(et2-1) | yt-12 = ht eet2 | yt-12- ht = ht eet2 - ht = ht - ht=0. (a.s.) (2.2)利用此式可得知， eyt 2-a0-a1yt-122= e a0+a1yt-12+ wt -a0-a1yt-122 = e(a0- a0)+(a1- a1)yt-12+ wt 2= e(a0- a0)+(a1- a1)yt-122 + ewt 2 +2 e(a0- a0)+(a1- a1)yt-12wt= e(a0- a0)+(a1- a1)yt-122 + ewt 2 +2ee(a0- a0)+(a1- a1)yt-12wt| yt-12= e(a0- a0)+(a1- a1)yt-122 + ewt 2 +2ee(a0- a0)+(a1- a1)yt-12ewt| yt-12=e(a0- a0)+(a1- a1)yt-122+ewt 2 (by(2.2)= e(a0-a0)+(a1-a1)yt-122 + eht(et2-1)2= e(a0-a0)+(a1-a1)yt-122 + eht2e(et2-1)2 eht2e(et2-1)2=c. (依平稳性)易见，上式中的=号成立，当且仅当(a0-a0)=(a1-a1)=0. 此事实表明，mine(yt2-a0-a1yt-12)2: a0,a1=eyt2-a0-a1yt-122. (2.3)此式表明，用所有可能的系数拟合(2.1)模型时，只有以其真系数拟合，才使拟合参差的方差最小！在实际应用时，我们没有(2.1)式中的确切的概率分布，但是，我们有序列 yt 2的观测数据y1,y2,yn , 根据统计学的基楚性原理-大数定律，(2.3)式的最小化特征，用样本平均代替之， 随着样本个数的增加将近似成立。换言之，求解以下最小化问题之解， 即min(n-1)-1t=2n(yt2-a0-a1yt-12)2: a0,a1=(n-1)-1t=2n(yt2-a0*-a1*yt-12)2, 显然, 此问题等价于如下的最小化问题mint=2n(yt2-a0-a1yt-12)2: a0,a1=t=2n(yt2-a0*-a1*yt-12)2. (2.4)以其解(a0*,a1*)作为真参数(a0,a1)的估计，称它们为最小二乘估计。这就是使用最小二乘原理的依据。以上论述不难推广到一般的arch(p) 模型，除了符号的繁琐外，并无本质差异。这里只强调一点：对arch(1)使用最小二乘原理时，残差项wt与yt-1相互独立且ewt=0是常见的条件，至少也要满足条件e wt| yt-12=0(a.s.)。这一点对一般情况也适用。现在介绍arch(p)模型参数最小二乘估计方法。首先重新写出(1.9)式yt2=a0+a1yt-12+a2yt-22+apyt-p2+ wt , t=p+1,p+2,n. (2.5)在此特别强调足标t 的取值范围，只是为了模型中的yt-p都落在我们的数据序列中。依前所述，未知参数a=(a0，a1，a2, , ap)t的最小二乘估计a*，就是如下的最小值问题的解，即mint=2n(yt 2-a0-a1yt-12-a2yt-22-ap yt-p2)2: a0,a1,ap=t=2n(yt 2-a0*-a1*yt-12-ap*yt-p2)2, (2.6)取最小二乘估计a*= (a0*,a1*, ap*)t 。欲给出(a0*,a1*, ap*)t的表达方式，既可用分析方法，又可用代数方法。现在使用后一方法,为此将(2.5)式改写成y=xa+w， (2.7)其中y=(yp+12,yp+22,yn2)t, w=(wp+12,wp+22,wn2)t,x=.当以a=(a0,a1,a2,ap)t 为自由参数向量时, 于是有t=p+1n(yt 2-a0-a1yt-12-a2yt-22-ap yt-p2)2=|y-xa|2= (y-xa)t (y-xa) = yty - ytxa - atxty +atxtxa =(xtxa-xty)t (xtx)-1(xtxa-xty) + yty(xty)t (xtx)-1(xty)yty(xty)t(xtx)-1(xty),其中用到了以下的矩阵性质 (xtxa-xty)t (xtx)-1(xtxa-xty)0.由前一式可知, (2.6)式的最小值解必满足xtxa-xty=0. 现在求解xtxa-xty=0, 即xtxa=xty, 其解为a*=(xtx)-1xty. (2.8)注意, 上式右边的矩阵x和向量y, 都是由已知数据量组成的, 计算(xtx)-1和(xtx)-1xty, 有许多软件可供使用. 当然,也可以自行编程序计算之. 自回归模型(1.9)的系数的最小二乘估计, 被(2.8)式明显的表达出, 而且便于计算. 这一优越性是自回归模型所特有的, 因此, 自回归模型在时间序列分析中问世最早. 类似地, engel(1982)最先引入的条件异方差模型, 又是自回归型的条件异方差模型-arch模型, 也是基于这一便于使用的优点. 稍后几年才由bollerslev(1986)提出更一般的garch模型.在时间序列分析中, 自回归模型系数的最小二乘估计, 有很多优良性质, 这已经被研究得很完美了. 但是, 将它用于arch模型系数估计, 这些优良性质不一定具有了. 在此, 我们仅指它的优缺点. 其优点是: 易理解, 易计算; 缺点是: 欠精细, 缺少某些优良性质. 欠精细是相对极大似然估计而言的, 详见后文. 缺少某些优良性质, 是指在使用最小二乘估计方法时, 还需要条件e(yt2)20,a10,ap0; (yt 2-a0-a1yt-12-a2yt-22-ap yt-p2)0=t=2n(yt 2-a0+-a1+yt-12-ap+yt-p2)2, (2.9)取估计a*= (a0+, a1+, ap+)t 。这里叙述此方法的目的有三点可言, 其一, 这是最有效的保证估计的分量都是非负的;其二,有多种方法可获得arch模型系数的估计;其三,除了最小二乘估计,都不易计算, 比如(2.9)式的求解问题, 就是典型的优化求解问题, 其计算的复杂性可想而知.2.2.2. 极大似然估计对于序列y1,y2,yn , 如果它们的联合分布的形式已知, 其中只有有限个参数未知, 那么, 寻求合适的参数值, 使得其分布在这些观测值y1,y2,yn处达到最大值, 称其为极大概率估计方法. 其合理性是不言而喻的. 相对其它方法, 可算是精细些. 当然, 其前提是联合分布的形式已知的. 进而言之, 如果已知联合分布密度函数时, 使用上述的极大概率估计方法, 应改为寻求合适的参数值, 使得其分布密度函数在这些观测值y1,y2,yn处达到最大值, 称其为极大概率密度估计方法. 此情况有更广的应用背景, arch模型数估计就属于此情况. 再进一步, 如果已知联合分布密度函数呈现指数形式, 改为寻求合适的参数值, 使得其分布密度函数的对数函数(此函数被称为似然函数), 在这些观测值y1,y2,yn处达到极大值, 称其为极大似然估计方法. 用极大化似然函数代替分布密度函数, 只是讨论和应用时有方便之处, 并无本质区别. 极大化似然方法是统计学中熟知的, 重要的方法.依上所述, 使用极大似然估计方法, 有两个关键步骤: 一是, 找出y1,y2,yn的联合分布密度函数, 它仅依赖有限个未知参数, 由此易得其似然函数; 二是, 寻找使似然函数达到极大值的参数, 即参数的极大似然估计. 一般说来, 第一步仅是细心的推理, 第二步是精心的计算, 而且常常要使用近似的迭代算法. 以下介绍arch模型参数的极大似然估计, 就要对此两步作具体叙述.第一步: 根据arch模型的假定, 再使用条件概率密度的公式可得知, y1,y2,yn的联合分布密度函数f(y1,y2,yn)= f(y), y=(y1,y2,yn)t,有以下表达式 f(y)=f(y1,y2,yn)=f(yn|y1,y2,yn-1)f(y1,y2,yn-1) (依条件密度公式)= (2phn)-1/2exp- yn2/2hn f(y1,y2,yn-1) (依(1.5)式和etn(0, 1), 且en与yn-1, yn-2, 独立)=(a0+a1yn-12+apyn-p2)-1/2exp-yn2/2(a0+a1yn-12+apyn-p2) f(y1,y2,yn-1) (依(1.6)式)=t=p+1n(a0+a1yt-12+apyt-p2)-1/2exp-yt2/2(a0+a1yt-12+apyt-p2)f(y1,y2,yp)(2p)-(n-p)/2. (依反复递推) (2.10)记其对数函数为l(a)=log f(y1,y2,yn) =-(1/2) t=p+1nlog(a0+a1yt-12+apyt-p2)+ yt2/(a0+a1yt-12+apyt-p2) +logf(y1,y2,yp)+log(2p)-(n-p)/2. (2.11)忽略上式中的常数项和常数因子-(1/2), 再记 l(a)= t=p+1n lt(a)-log f(y1,y2,yp), (2.12)其中lt(a)=log(a0+a1yt-12+apyt-p2)+ yt2/(a0+a1yt-12+apyt-p2).显然, l(a)与l(a)只相差常数加项, 所以, 求解l(a)的最大值解, 等价于求解i(a)的最小值解. 以后我们总是考虑后者. 在上述诸式中, f(y1,y2,yp)是y1,y2,yp的联合分布密度函数, 为了使用极大似然估计方法, 也应当将它表达成依赖于y1,y2,yp和a0,a1,ap的明确形式. 这不是一件容易的事情! 仅以p=1为例, 即可说明其难点所在. 此时只须求出y0和y1所满足的共同的分布密度数, 并使得它们满足关系式 y1=(a0+a1y02)1/2e1, etn(0, 1), 且et与y0独立.此问题看似简单, 但是很难解答. 举此例的目的, 还在于提请注意, 当etn(0, 1)时, 由它驱动生成的平稳ar序列也是正态分布的, 但是, 由它驱动生成的平稳arch序列不是正态分布的. 因为, 在ar模型中, et以加项形式出现, 在arch模型中, et以乘积因子形式出现(见(1.5)式). 然而, 在(2.10)式中, 人们容易误以为f(y1,y2,yn)是正态分布的连乘积形式, 所以它是多元正态密度. 其实, 因子f(y1,y2,yp)不是正态的密度函数(这一点容易被忽视), 所以 f(y1,y2,yn)也不是正态的.第二步: 寻求极大似然估计, 就是寻求使(2.11)式中l(a)取最大值的a, 等价于寻求使(2.12)式中l(a)取最小值的a. 很明显, 此极大似然估计没有如同(2.8)式的显示表达式, 于是只能寻找近似的数值解法. 由于l(a)有很好的解性质, 求(2.12)式中l(a)的最小值, 可求 l(a)/a=0的解. 即使如此, 也还很难求解. 进一步还要使用其它近似手段, 即将未知项log f(y1,y2,yp)从(2.12)式中忽略掉, 寻求 t=p+1n lt(a)/a=0 (2.13)的解, 其中lt(a)/a=log(a0+a1yt-12+apyt-p2)/a +yt2/(a0+a1yt-12+apyt-p2)/a. (2.14)请注意, lt(a)/a是向量, 所以(2.13)式是(p+1)元代数方程组, 利用(2.14)式很容易求得lt(a)/a的表达式, 而且 lt(a)/a有很简单的形式, 但是, 它是非线性的, 所以(2.13)式是(p+1)元非线性代数方程组. 求(2.13)式的数值解法, 是计算数学中的简单问题, 即可使用已有的软件, 亦可自行编程计算, 这里从略.2.3. garch模型的参数估计2.3.1. 极大似然估计在这一小节, 先介绍极大似然估计, 因为这与前面联系紧密. 如前所述, garch模型的参数估计, 要比arch模型复杂. 其复杂性表现在: garch模型的参数估计不仅没有显示的表达式, 而且, 其似然函数也没有显示的表达式, 只有迭代计算公式. 这一特点, 对求解极大似然估计的算法, 不带来实质困难, 但是在叙述它时, 会繁琐些. 现在叙述garch模型似然函数. 仿照(2.10)式可得f(y)=f(y1,y2,yn) =f(yn|yn-1,.,yn-p; hn, hn-q+1)f(yn-1,.,yn-p; hn, hn-q+1) = (2phn)-1/2exp- yn2/2hn f(yn-1,.,yn-p; hn, hn-q+1) =t=1n(2pht)-1/2exp-yt2/2ht f(y0,.,y-p+1; h1, h-q+2). (2.15)仿照(2.12)式又有i(q)= t=p+1n lt(q)+log f(y0,.,y-p+