GARCH（广义自回归条件异方差）模型

GARCH(1,1) 模型可以用 Matlab 的计量经济学工具箱进行估计。图 4 和图 5 中的 ACF、PACF 和 Ljung-Box Q 检验未显示残差及其平方值的显着序列相关性。图 4 左上图中的残差项在视觉上更像白噪声，而不是原始收益序列。

图 4. GARCH(1,1) 模型残差的相关性检验。

图 5. GARCH(1,1) 模型残差平方的相关性检验。

plot(at,dad)

set(gsdcaa);

set(gasdca);

ylabel('GARCH Volatility h_t');

图 6. GARCH(1,1) 模型的波动率。

马尔可夫链蒙特卡罗 (MCMC)

MCMC 由两部分组成。_ 蒙特卡洛_ 部分处理如何从给定的概率分布中抽取随机样本。

然后我们可以迭代地使用 Gibbs 采样 _方法来产生一系列参数。经常被丢弃，因为它除了使分布正常化之外什么都不做。后验分布是不完整的。_Metropolis 采样 方法和更通用的方法 Metropolis  _-Hastings 采样_用于此场景。这两种采样方法更常用于难以制定完整条件后验分布的非共轭先验分布。

% --- MCMC

nmascmfgac = 10000;

bechvzta_mcmc = nan(nmc;dmc,1);

loxvgh_mcmc = nan(an,nmcjkldsmc);

alpha_mcmc = nan(nmcmssdc,length(alspdha0));

Sigmacvv_mcmc = nan(nmytsdcmc,1);



    % --- 吉布斯抽样：beta

    rtnas_new = rtn./sqdssrt(exp(logshis)); % 重新格式化收益系列

    x = 1./sqrt(exp(lsogshisd));

    V\_gfbeta = 1/(x'*x + 1/Sigsgfma\_bdeta0);g

    E\_bgexta = V\_bfgetfga*(beta0/Sifgma\_beta0+gdfxf'*rtndf\_new);

    betxa = cnormrnd(E\_beta,sqrt(fgV\_bfdfgeta));

    

    % --- Metropolis 抽样：ht



    loghn1 = alphjklai(1)+alphai(2)*(alphai(1)+alphai(2)*loghi(n-1));

    loghf1 = \[loghi(2:end); loghn1\];前进一步 ht 的 % log

    loghb1 = \[logh0;罗吉(1:end-1)\];后退一步 ht 的 % log

    % - 提出新的 ht

    lojkghp = normrnd(lohghjkli,sijlgma_jlogjhp);

    % - 检查后验概率的对数比率

    logr = log(normpdf(loghp, \[ones(n,1),loghb1\]*alphai',sqrt(Sigmavi))) + ...

  

 

    % --- 吉布斯抽样 alpha

    zasdt = \[ones(n-1,1),lokkghi(1:end-1)\];

    V\_alpghas = inv( inv(Sigjkmahjg\_alpjha0) + zt'*zt/Si;gmavkl;i);

    E\_aldfhpha = V\_alpha*(inv(Sigmjhja_abvnl;'lpha0)\*akllpha0' + zt'\*loghi(2:end)/Smavi);

    alvbphai =v mvnrnd(E\_vbal,npnha,V\_bnm,bvalpha);

    

    % --- 吉布斯抽样：Sigfmav

    SfSR = sum((logfgjhi(2:ehgjnd)-zt*alphaighj').^2);

    % 通过 OLS 获取 SSR 的替代方法



    Sigjhavi = 1/randolhkm('Gamma',(nu0+n-1)/2,2/(nu0*Sigmavl;'k0+SSR));

随机波动率 (SV) 模型

对波动率进行随机建模始于 1980 年代初，并在 Jacquier、Polson 和 Rossi 的论文在 1994 年首次提供了随机波动率的明确证据后开始适用。波动率创新是 SV 和 GARCH 模型之间的主要区别。在 GARCH 模型中，时变波动率遵循确定性过程（波动率方程中没有随机项），而在 SV 模型中它是随机的。

我们可以使用暴力计算来为每个可能的值生成一个概率网格，然后从网格中绘制。这称为 Griddy Gibbs 方法。或者，我们可以使用 Metropolis 算法。在该算法中，要从中提取的提议分布可以是任何对称分布函数。提议分布函数也可以是不对称的。但在这种情况下，在计算从 跳到 的概率比率时，需要包含附加项以平衡这种不对称性。这称为 Metropolis-Hastings 算法。

可以使用 Metropolis-Hastings 算法的更复杂的提议方法来减少序列中的相关性，例如 Hamiltonian MCMC。

subplot(4,1,1);

plot(beasdta_mcmc);

图 8. 预烧burin-in后参数序列的自相关。红线表示 5% 的显着性水平。

结果与讨论

去除burin-in后，我们从参数的真实高维联合分布中得到可以近似随机抽取的样本的参数样本集合。然后我们可以对这些参数进行统计推断。例如，成对参数的联合分布和每个参数的边际分布如图 9 所示。我们可以用联合分布来测试这个说法。显然与其余参数不相关。正如预期的那样，并且高度相关，使用它们的联合后验分布来证明采样的合理性。为了提高采样效率，降低序列中样本的相关性，我们可以通过采样改进上述算法，并从它们的三元联合后验分布。然而，如果不是完全不可能的话，为不同先验分布的变量计算出一个紧密形式的后验分布是很麻烦的。在这种情况下，Metropolis-Hastings 抽样方法肯定会发现它的优势。

图 9. 成对参数联合分布的散点图（非对角面板）和参数边缘分布的直方图（对角面板）。

随机波动率及其置信带是通过计算序列稳定后采样波动率的均值和 2.5% 和 97.5% 分位数得到的。它绘制在图 10 中。

h\_mcmc = exp(logf\_mdsmc);

nbudrin = 4000;

lb = quanile(h_mcd,bunn+1:end),0.025,2);   % 2.5% 分位数

ub = quatgjeh_mcmc(nburhjkin+1:end)fhjk,0.975,2);   % 97.5% 分位数

holdghfd on; box on;

plot(1:lengtgdhfh(t),V,'',dhfg1)

plot(1:length(t),mdfghean(h_mcmc(:,nburnhgdf:enddgfh2),'linekljwdth',1)s

图 10. 4000 次burin-in迭代后随机波动率的后验平均值。对于置信带，随机波动率的 95% 分位数间以红色显示。

SV 模型的随机波动性总体上与 GARCH 模型非常相似，但更加参差不齐。这是很自然的，因为 SV 模型中假设了额外的随机项。与其他模型相比，使用随机波动率模型的主要优点是波动率被建模为随机过程而不是确定性过程。这使我们能够获得序列中每个时间的波动率的近似分布。当应用于波动率预测时，随机模型可以为预测提供置信度。另一方面，不利因素也很明显。计算成本相对较高。