garch - Grzegorz Szafrański Homepage
Transkrypt
garch - Grzegorz Szafrański Homepage
Modele GARCH w Ekonometrii Finansowej opracował: Grzegorz Szafrański (UŁ) 1 • Literatura: Przygotowano na podstawie: • Bollerslev T., Engle R. F. and D. B. Nelson (1994), ARCH Models, Handbook of Econometrics Vol. 4. • Engle, R. F. (2001), GARCH 101: The Use of ARCH/GARCH Models in Applied Econometrics, Journal of Economic Perspectives Vol. 15. • Enders W. (2004), Applied Econometric Time Series, Chapter 3, Wiley. • Brooks Ch. (2008), Chapter 8 Modelling Volatility and Correlation, Introductory Econometrics for Finance, Cambridge. • Rauli Susmel (2009), Lecture3 GARCH models, Quantitative Methods in Finance (FINA 8373), University of Houston. • Timo Teräsvirta (2009), An Introduction to Univariate GARCH Models, w Andersen T., Davies R., Kreiss J., Mikosh T. (eds.), Handbook of Financial Time Series. Inauguracyjne artykuły: • • Engle, R.F. (1982), Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of U.K, Econometrica. 2 Bollerslev, T.P. (1986), Generalized Autoregresive Conditional Heteroscedasticity, Journal of Econometrics. • Podstawowy problem ekonometrii finansowej Jak mierzyć ryzyko inwestycji? Jaki jest wymagany zysk odpowiadający danemu poziomowi ryzyka inwestycji? Rentowność (yield) mierzymy logarytmicznymi stopami zwrotu rt = ln(Pt /Pt-1)= ln(1+Rt) Rt. Wygodnie jest założyć, że rt ~ N(μt,ζt2) lub z innego rozkładu np. beta stabilnego (Mandelbrot 1963) μt to wartość oczekiwana stopy zwrotu, ζt2 to miara ryzyka (volatility) Z hipotezy rynku efektywnego (EMH) wynika, że μt|t-1 = 0 Założenie o stałym lub losowym (niezależnym) ryzyku inwestycji ζt2 = const jest trudne do utrzymania (Mandelbrot, Taylor 1967) 3 • Dlaczego volatility jest tak ważne? Co jeśli nie jest stałe? W modelu Markovitza do optymalizacji składników portfela wykorzystuje się kowariancje (stóp zwrotu aktywów x i y): cov(rx,ry) = ρx,yζxζy Transakcja zabezpieczająca (hedge portfolio) Ile kontraktów futures kupić na jeden kontrakt spot: h = ρS,F ζS /ζF Modele równowagi takie jak CAPM zakładają, że μt – rft = β (μmt – rft ), czy β = const? nie!!! βt = cov(rt,rmt)/ζmt2 W modelu ryzyka rynkowego (Value at Risk) VaR definiuje się jako: VaR ,t = μt - u ζt W wycenie opcji (model Blacka-Scholesa) do wyznaczenia ceny wykorzystuje się wariancję instrumentu bazowego: Ct = f(S, X, t 2, T, rf) 4 • Momenty warunkowe i bezwarunkowe Weźmy prosty (stacjonarny) autoregresyjny model stóp zwrotu. rt = α + β rt-1 + ε t εt jest i.i.d. N(0,ζ2), -1<β<1 Zauważmy, że momenty zwykłe są stałe: E(rt) = α/(1-β) a Var(rt) = ζ2/(1-β2) A momenty warunkowe – zwykle nie: Et-1(rt) = α + β rt-1 Vart-1 (rt ) = Et-1[(rt –Et-1[rt])2] = Et-1[εt2] 5 • Vart-1(rt) a nie Var(rt) jest właściwą miarą ryzyka inwestycji Warunkowa wariancja Całkowita wariancja średnia 6 • FAKTY stylizowane (dla stóp zwrotu) 1) „grube ogony” - Mandelbrot (1963): a nawet więcej leptokurtyczność 2) grupowanie wariancji - Mandelbrot (1963): “duże zmiany wykazują tendencję do wywoływania dużych zmian (niezależnie od znaku)” 3) efekty dźwigni – Black (1976), Christie (1982): stopy zwrotu ujemnie skorelowane ze zmianami wariancji stóp zwrotu. 4) inne – Bollerslev, Engle, Nelson (1994) • efekty świąt i weekendów – wariancja w poniedziałek większa niż w piątek, • oczekiwane wydarzenia – wysoka zmienność w dniu ogłoszeń wiadomości. • ujemna relacja między wariancją a autokorelacją stóp zwrotu, • dodatnia korelacja między volatility różnych instrumentów, • wspólne czynniki zmian cen różnych aktywów (z różnych rynków). 7 ARCH Model - Engle(1982) Auto-Regressive Conditional Heteroskedasticity εt 2 yt βxt εt ~N( 0,ζ t ) ζ Vart 1(εt ) Et 1(ε ) ω q 2 t αi εt2 1 2 t ω α(L)ε 2 i 1 •Wg Cambell, Lo, MacKinley (1997) należy do modeli nieliniowych względem wariancji: yt = g(εt-1, εt-2, …)+ εth(εt-1, εt-2, …) •ARCH jest modelem AR dla kwadratów składników losowych. νt εt2 ζ t2 Jeżeli przyjmiemy, że: εt2 ω α(L)ε 2 vt Cechy: 1. pomimo, że reszty są nieskorelowane, to nie są niezależne (grupowanie wariancji), 2. Z nierówności Jensena wynika, że κ(εt ) E(ε 4 t )/E(ε 2 t )2 3 8 Efekty ARCH εt Inny sposób zapisu: ut ht ut ~N( 0 ,1 ) q ht ω αi εt2 1 i 1 Testowanie efektów ARCH • nieformalnie korelogram dla kwadratów reszt LjungBox Q, • formalnie test Engle’a (1982) TR2~χ2q (rozkład asymptotyczny – wymagane ok. 200 obserwacji) H 0:α1 εˆt2 α2 ... αq 0 α0 α1εˆt2 1 α2 εˆt2 2 ... αi εt2 q Problemy z tą specyfikacją: • nieujemność ω 0 αi 0 i • stacjonarność, • oszczędność specyfikacji a dopasowanie (wybór q) q αi 1 i 1 9 GARCH – Bollerslev (1986), Taylor(1986) Uogólnienie modelu – model GARCH(q,p): q ζ t2 Jeżeli przyjmiemy, że: εt2 ω p αi ε 2 t β j ζ 2t i i 1 j 1 ω α(L)ε 2 β(L)ζ 2 υt ε 2t j ζ 2t ω (α( L) β(L))ε 2 β(L)υ υt to kwadrat składnika losowego jest generowany przez ARMA (max(p,q),p) Problemy z tą specyfikacją w praktyce występują rzadziej: ( L) ( L) 1 • rzadziej występuje nieujemność, • stacjonarność (pierwiastki wielomianu poza kołem jednostkowym), • uzyskano oszczędność specyfikacji (zwykle wybór p=1 i q=1), • brak asymetrii (efekty dźwigni). 10 GARCH (1,1) Dalej zajmiemy się tylko modelami pierwszego rzędu (p=1, q=1) ζ t2 ω α1ε 2 t β1ζ 2 t 1 1 Podstawiając rekurencyjnie: ζ t2 1 ω α1ε 2 t β1ζ 2 t 2 2 Otrzymujemy ARCH(∞): ζ t2 ω( 1 β1 β12 ...) α1ε 2 t 1( 1 β1 L β12 L2 ...) β1 ζ 02 Wariancja i kurtoza w modelu GARCH(1,1) nie zawsze istnieją: E(ε t ) ω/( 1 α1 2 β1 ) 4 E(ε t ) ( 1 α1 3ω 2( 1 α1 β1 ) 2 2 β1 )( 1 β1 2α1 β1 3α1 ) 1+β1<1 jest warunkiem koniecznym stacjonarności, 3 12+2 1β1+β12<1 jest warunkiem istnienia kurtozy. Integrated GARCH = IGARCH to typowa sytuacja w modelowaniu volatility: 1 =1 11 Estymacja metodą największej wiarygodności (MNW) Funkcję wiarygodności buduje się na podstawie teoretycznego rozkładu składnika losowego np. dla rozkładu normalnego i prostej regresji liniowej: f ( yt 1 2 x, 2 t ) 1 2 exp 1 ( yt 2 x )2 1 2 t 2 Zwykle wariancja jest stała, a kwadrat reszt zależy tylko od parametrów równania dla średniej. Dla modelu GARCH logarytm funkcji wiarygodności zależy dodatkowo od warunkowej wariancji, która jest sparametryzowana: L T 1 ln ( 2π) 2 2 T ln ht t 1 1 2 T (u t )2 ut εt ht t 1 Minimalizacja po podstawieniu za wariancję równania GARCH odbywa się względem parametrów równania średniej i wariancji. 12 EGARCH – Nelson (1991) Nelson, D.B. (1991), "Conditional Heteroskedasticity in Asset Returns: A New Approach," Econometrica. ln ζ 2 t ω γut 1 α( ut 2 π ) β ln ζ 1 2 t 1 ut εt ht Omija problemy związane z nieujemnością, wprowadza efekty dźwigni ( < 0) GJR-GARCH – asymetryczny GARCH Glosten, L.R., R. Jagannathan and D. Runkle (1993), "Relationship between the Expected Value and the Volatility of the Nominal Excess Return on Stocks," Journal of Finance. ζ 2t ω αi ε 2 t 1 δε 2 t 1 I(εt 1 0 ) β1ζ 2 t 1 , δ 0 Non-linear ARCH – NARCH Higgins and Bera (1992), Hentschel (1995) ζ γt ω α1|εt 1 κ|γ β1ζ γ t 1 13 Funkcja odpowiedzi na newsy 0.14 GARCH GJR Value of Conditional Variance 0.12 0.1 0.08 0.06 0.04 0.02 0 -1 -0.9 -0.8 -0.7 -0.6 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Value of Lagged Shock Źródło: Brooks (2002) 14 Efekty asymetrii - testowanie Szacujemy wybrany model warunkowej wariancji np. GARCH(1,1). Konstruujemy wystandaryzowane reszty: hˆt , ut ~N( 0,1 ) uˆt εˆt hˆt ω α1εˆt2 1 • Najprościej jest wykonać regresję: • Inny sposób to użyć indykatora (Engle, Ng 1993) • β1hˆt 1 uˆt2 uˆt2 χ1 I (uˆt χ0 χ1uˆt χ0 1 ε1t 1 0) ε2t Aby uwzględnić łączny wpływ rozmiaru szoków i asymetrii musimy oszacować: uˆt2 χ0 χ1 I (uˆt 1 0) χ 2uˆt 1 I (uˆt 1 0) χ 3uˆt 1 ε3t Statystyka TR2 ma asymptotyczny rozkład χ2 z 3 st. swobody 15 Threshold ARCH (TARCH) Rabemananjara, R. and J.M. Zakoian (1993), “Threshold ARCH Models and Asymmetries in Volatilities,”Journal of Applied Econometrics. ζ 2t ω α 1 I(εt 1 κ)ε 2 t 1 α 1 I(εt 1 κ)ε 2 t 1 β1ζ 2 t 1 Switching ARCH (SWARCH) Hamilton, J. D. and R. Susmel (1994), "Autoregressive Conditional Heteroskedasticity and Changes in Regime," Journal of Econometrics. Wiele modeli ARCH, które są przełączane za pomocą łańcucha Markowa. Inne przykłady: PGARCH, QARCH, STARCH, FIGARCH, Factor ARCH: Engle, Ng, Rotschild (1990) 16 ARCH w średniej (G)ARCH-M Engle, R.F., D. Lilien and R. Robins (1987), “Estimating Time Varying Risk Premia in the Term Structure: the ARCH-M Model,” Econometrica. Wyjaśnienie ekonomiczne (premia za ryzyko): Ryzyko instrumentu negatywnie wpływa na jego cenę. Wynika to z faktu, że wraz ze wzrostem niepewności przyszłych zysków rośnie wymagana stopa zwrotu jak w model ICAPM (Merton 1973, 1980). βxt yt δζ q ζ 2t ω p αi ε 2 t i 1 εt 2 t β j ζ 2t i j j 1 Do równania średniej wprowadzamy warunkową wariancję GARCH (lub odchylenie standardowe, lub logarytm wariancji - EGARCH), δ>0. 17 Rozkłady inne niż normalny Podstawowy model GARCH zwykle nie wystarcza do empirycznej kurtozy i/lub opisu ekstremalnych zdarzeń (ważne w metodzie VaR). Dlatego zamiast rozkładu normalnego używa się rozkładów z grubymi ogonami. • rozkład t - Bollerslev (1987) Parametr rozkładu t („liczba stopni swobody”), czyli v jest szacowany za pomocą MNW: lt ln( (0.5(v 1)) (0.5v) 1 (v 2) 1/ 2 (1 zt (v 2) 1 ) ( v 1) / 2 ) 0.5 ln( gdzie Γ jest funkcją gamma z v stopniami swobody. Gdy v→∞, rozkład jest zbieżny do rozkładu normalnego. • uogólniony rozkład błędów (GED) - Nelson (1991) lt v ln 2 λ λ 1 1 v 2 v 1 Γ ν 1 e 1 3 2 Γ Γ ν ν u 0 .5 t λ v 1 18 2 t ) Zrealizowana zmienność (RV) French, Schwert and Stambaugh’s (1987): s 2t 1 k k rt 2 1 i 1 Stochastic volatility (SV/SVOL) Jacquier, E., Polson, N., Rossi, P. (1994), Bayesian analysis of stochastic volatility models, Journal of Business and Economic Statistics. Heston, S.L. (1993), A closed-form solution for options with stochastic volatility with applications to bond and currency options. Review of Financial Studies ζt ln ζ t ω βζ t 1 ω β ln ζ t υt 1 υt 19 Data PRAW MW . 10 . 05 . 00 -. 05 -. 10 -. 15 -. 20 1985 1990 1995 2000 2005 PMETAW .2 .1 .0 -. 1 -. 2 -. 3 1985 1990 1995 2000 2005 POILAPSPW .6 .4 .2 .0 -. 2 -. 4 1985 1990 1995 2000 Paper Presented at FindEcon2009 2005 20 Wielowymiarowe GARCHe Dlaczego wiele wymiarów w GARCH? 1. Ryzyko rynkowe to ryzyko portfela aktywów (a nie pojedynczego aktywa). 2. Macierz kowariancji jest zmienna. Hedging. 3. Efekt zarażania (contagion) na rynkach finansowych Należy analizować volatility w modelu wielorównaniowym np: rt ut β0 t 1 β1rt 1 ut ~ N (0, H t ) Poszukiwanie oszczędnej specyfikacji dla Ht: h11t c11 a11u12t a12 u 22t a13 u1t u 2 t b11 h11t 1 b12 h22 t h22 t c 21 a 21u12t a 22 u 22t a 23 u1t u 2 t b21 h11t 1 b22 h22 t 1 b23 h12 t 1 h12 t c31 a 31u12t a 32 u 22t a 33 u1t u 2 t b31 h11t 1 b32 h22 t 1 b33 h12 t 1 1 b13 h12 t 1 21 Diagonalny VECH Bollerslev, Engle i Wooldridge (1988) h11t Można uprościć do: h22t h12t 0 2 u 1 1t 0 2 u 1 2t 0 u 1 1 u 1 1t 1 2 t 1 h 2 11t 1 2 h22t 1 h 2 12t 1 I zapisać w oszczędnej formie: vech (H t ) V0 V1vech (ε t 1ε t 1 ' ) V2 vech (H t 1 ) vech Problemy: a b b d (a b d ) dużo parametrów (nieistotne), więc macierze parametrów V można przedstawić jako skalary (jeśli αi = βi = i) ujemnie określona m. kowariancji – BEKK (Engle i Kroner , 1995) Ht AA B B C Ht 1C t 1 t 1 22 Scalar VECH Conditional Correlation Cor(PFANDBW,PINDUW) 1.0 V1 =0.098 (10.46) 0.8 0.6 0.4 V2 =0.918 (129.6) 0.2 0.0 -0.2 1985 1990 1995 2000 2005 Cor(PFANDBW ,POILAPSPW ) 1.00 Cor(PINDUW ,POILAPSPW ) 1.2 0.75 0.8 0.50 0.4 0.25 0.0 0.00 -0.4 -0.25 -0.50 -0.8 1985 1990 1995 2000 2005 Paper Presented at FindEcon2009 1985 1990 1995 2000 2005 23 Diagonal (rank1) VECH Conditional Correlation Cor(PFANDBW,PINDUW) 0.049312 0.080672 0.105898 V1= 0.131977 0.173246 0.227419 .8 .6 .4 .2 0.879290 0.846524 0.805552 V2= 0.814978 0.775533 0.737997 .0 -.2 -.4 1985 1990 1995 2000 2005 Cor(PFANDBW,POILAPSPW) 1.2 Cor(PINDUW,POILAPSPW) 1.00 0.75 0.8 0.50 0.4 0.25 0.00 0.0 -0.25 -0.4 -0.50 1985 1990 1995 2000 2005 Paper Presented at FindEcon2009 1985 1990 1995 2000 2005 24 Diagonal BEKK Conditional Correlation Cor(PFANDBW,PINDUW) B1 =0.134 B2 =0.382 B3 =0.538 C1=0.982 C2=0.936 C3=0.890 .8 .6 .4 .2 .0 1985 1990 1995 2000 2005 Cor(PFANDBW,POILAPSPW) .8 Cor(PINDUW,POILAPSPW) 1.2 .6 0.8 .4 0.4 .2 0.0 .0 -0.4 -.2 -.4 -0.8 1985 1990 1995 2000 2005 1985 Paper Presented at FindEcon2009 1990 1995 2000 2005 25 Jak dotąd macierz korelacji zmieniały się w czasie pod wpływem zmian w Ht. Model CCC (model o stałej korelacji), Bollerlsev (1990) Ht Dt RDt Model DCC (model dynamicznej warunkowej korelacji) Engle (2002) w wersji mean-reverting Ht Rt Qt diag{Qt } 1/ 2 Dt R t Dt Qt diag{Qt } 1/ 2 (I L M) Lε t 1ε t 1 ' M Qt 1 iloczyn Hadamarda, ε standaryzo wane reszty GARCH 26 Cov(PFANDBW,POILAPSPW) Cov(PINDUW,POILAPSPW) .0012 Var(POILAPSPW) Cov(PFANDBW,POILAPSPW) .004 Cov(PINDUW,POILAPSPW) .0012 .07 .004 .0010 .06 .0010 CCC .003 .0008 .0008 .0006 .002 .003 .05 .04 .0006 .0004 .0004 .001 .0002 .002 .03 .02 .001 .0002 .01 Conditional Covariance .0000 1985 1990 Var(PFANDBW) 1995 2000 2005 .000 .0000 .00 1985 1990 1995 2000 .000 2005 1985 19851990 19901995 19952000 20002005 2005 1985 1990 1995 2000 .0025 .0020 1 0.066281 0.284874 0.131393 .0015 R= .0010 1 L= 0.127144 0.273860 .0005 0.325837 1 .0000 1985 1990 1995 2000 2005 Co v(P FANDB W,P INDUW) Var(PINDUW) .0010 .005 .0008 .004 .0006 .003 .0004 .002 .0002 .001 0.814687 M= 0.784019 .0000 0.659090 .000 1985 1990 1995 2000 2005 1985 Cov(PFANDBW,POIL APS PW) .0012 1990 1995 2000 2005 Cov(P INDUW,POIL APSPW) .004 Va r(P OILA PSPW) .07 .06 .0010 .003 .05 .0008 .04 .0006 .002 .03 .0004 .02 .001 .0002 .01 .0000 .000 1985 1990 1995 2000 2005 .00 1985 1990 1995 2000 2005 Paper Presented at FindEcon2009 1985 1990 1995 2000 2005 27 2005 DCC RHO12 .8 .6 .4 .2 L =0.047 (2.06) .0 1985 1990 1995 2000 2005 2000 2005 2000 2005 RHO13 .6 .4 M =0.788 (5.10) .2 .0 -. 2 1985 1990 1995 RHO23 .6 .4 .2 .0 -. 2 1985 1990 Paper Presented at FindEcon2009 1995 28 general DCC (statist. insignificant) RHO12 .8 .6 .4 .2 L= 0.042604 0.041762 0.045609 0.039693 0.063320 0.446411 .0 1985 1990 1995 2000 2005 2000 2005 2000 2005 RHO13 .8 .6 .4 0.599094 0.770503 0.844011 M= 0.949608 0.576957 0.078864 .2 .0 -. 2 1985 1990 1995 RHO23 .6 .4 .2 .0 -. 2 1985 1990 Paper Presented at FindEcon2009 1995 29