Dodatek 2. Wielowymiarowe modele GARCH model GoGarch
Transkrypt
Dodatek 2. Wielowymiarowe modele GARCH model GoGarch
Dodatek 2. Wielowymiarowe modele GARCH model GoGarch MODELOWANIE POLSKIEJ GOSPODARKI z R . MPGzR (dodatek 2) Model GoGARCH . . . . . 1 / 14 Ogólna specykacja modelu MGARCH Ogólna posta¢ dla N -wymiarowego procesu MGARCH {yt }: yt = µt + ϵt , ϵt ∼ N (0, Σt ), gdzie: µt : warto±¢ oczekiwana, która mo»e by¢ staª¡ lub dana np. modelem VAR Σt : warunkowa macierz kowariancji, która zale»y od swoich przeszªych realizacji {Σt −p : q = 1, 2, . . . , Q } oraz od przeszªych {ϵt −p ϵ′t −p : p = 1, 2, . . . , P } realizacji skªadnika losowego . MPGzR (dodatek 2) Model GoGARCH . . . . . 2 / 14 Klasykacja modeli MGARCH Modele MGARCH mo»na podzieli¢ na trzy kategori¦, w zale»no±ci od specykacji równania dla wariancji (za Bauwens, Laurent i Rombouts, 2006 oraz Silvennoinen, A. and T. Terasvirta, 2009): 1. Bezpo±rednie uogólnienie jednowymiarowych modeli GARCH (VEC GARCH oraz BEKK) 2. Liniowe kombinacje jednorównaniowych modeli GARCH (GO-GARCH oraz FactorGARCH) 3. Nieliniowe kombinacje jednorównaniowych modeli GARCH (CCC-GARCH, DCC-GARCH) . MPGzR (dodatek 2) Model GoGARCH . . . . . 3 / 14 Model VEC-GARCH Posta¢ modelu VEC-GARCH(1,1) (Bollerslev, Engle i Wooldridge, 1988): yt = µt + ϵt , ϵt ∼ N (0, Σt ) ht = ω + Aet − + Bht − ht = vech(Σt ) et = vech(ϵt ϵ′t ) 1 gdzie operator 1 vech(Σ) oznacza wektor zªo»ony z N (N + ) 1 2 elementów macierzy Σ znajduj¡cych si¦ na gªównej przek¡tnej oraz powy»ej tej przek¡tnej. . MPGzR (dodatek 2) Model GoGARCH . . . . . 4 / 14 Model VEC-GARCH Wady modelu VEC: 1. 2. A i B s¡ wymiarów N (N + ) × N (N + ) Skomplikowane restrykcje na ω , A i B gwarantuj¡ce, aby Σt speªniaªa 1 Du»a liczba parametrów: macierze 1 2 2 warunki macierzy kowariancji. W celu zmniejszenia liczby parametrów, Bollerslev, Engle i Wooldridge (1988) zaproponowali model DVEC-GARCH (diagonal VEC), w którym macierze AiB s¡ diagonalne, a tym samym: hij ,t = ωij + aij ϵi ,t − ϵj ,t − 1 1 + bij hij ,t −1 . W modelu DVEC-GARCH pozostaje problem (2). Dodatkowo, brak zale»no±ci mi¦dzy elementami macierzy Ht . . MPGzR (dodatek 2) Model GoGARCH . . . . . 5 / 14 Model BEKK-GARCH ω , A i B modelu VEC-GARCH, które Σt , zostaªa zaproponowana przez Engle'a Posta¢ restrykcji na parametry macierzy gwarantuj¡ póª-dodatni¡ okre±lono±¢ i Kroner (1995) w modelu BEKK-GARCH(1,1) postaci: yt = µt + ϵt , ϵt ∼ N (0, Σt ) Σt = ΩΩ′ + Aϵt − ϵ′t − A′ + B Σt − B ′ , 1 gdzie Ω jest macierz¡ górno-trójk¡tn¡, za± wymiarach N × N. 1 1 AiB s¡ macierzami kwadratowymi o . MPGzR (dodatek 2) Model GoGARCH . . . . . 6 / 14 Model Factor-GARCH N mo»na stosowa¢ modele, w których zakªada si¦, »e Σt K ≤ N liczb¦ wspólnych czynników. Tego typu modelem jest Dla wysokich warto±ci jest opisywana przez Factor GARCH(K,1,1) (por. Engle, Ng i Rothschild, 1990): yt = µt + ϵt , ϵt ∼ N (0, Σt ) ϵt = Λft + ηt , ηt ∼ N (0, Ω) 2 Ω = diag(ω12 , ω22 , . . . , ωN ) ft ∼ N (0, Ht ) Ht = diag(h t , h t , . . . , hKt ) hkt = γk + αk fk ,t − + βk hk ,t − Σt = ΛHt Λ′ + Ω 1 2 2 1 Macierz Λ o wymiarach N ×K 1 dla oraz warto±ci dla ft k = 1, 2, . . . , K warto±ci mo»na wyznaczy¢ np. metod¡ gªównych skªadowych . MPGzR (dodatek 2) Model GoGARCH . . . . . 7 / 14 Model GO-GARCH Posta¢ model GO-GARCH(1,1) (Generalized Orthogonal GARCH, Van der Weide, 2002): yt = µt + ϵt , ϵt ∼ N (0, Σt ) ϵt = Zxt , xt ∼ N (0, Ht ) Σt = ZHt Z ′ Ht = diag(h t , h t , . . . , hNt ) hit = γi + αi xi ,t − + βi hit − 1 2 2 1 1 dla i = 1, 2, . . . , N Idea modelu: wielowymiarowa macierz kowariancji warunkowej o wymiarze jest zªo»eniem N N (N +1) 2 jednowymiarowych modeli GARCH . MPGzR (dodatek 2) Model GoGARCH . . . . . 8 / 14 Model GO-GARCH Wa»ne pytanie: jak uzyska¢ Z? Macierz bezwarunkowej wariancji Σ = Var (yt ) jest zapisywana jako: Σ = ZZ ′ = (V Λ−1/2 U )(U ′ Λ−1/2 V ′ ), gdzie: V: macierz wektorów wªasnych Σ Λ: diagonalna macierz warto±ci wªasnych Σ U: ortonormalna macierz rotacji (tutaj jest gªówny problem) . MPGzR (dodatek 2) Model GoGARCH . . . . . 9 / 14 GO-GARCH: Przyklad dla EUR/PLN oraz EUR/USD > library(gogarch) > z <- gogarch(y, ~garch(1, 1)); summary(z) Odwrotnosc macierzy Z (y = Zx): -0.84 -0.62 -0.55 0.79 Modele GARCH(1,1) dla y1 oraz y2 Est. StDev Prob omega 0.015 0.010 1.257 alpha1 0.117 0.026 1.248 beta1 0.873 0.026 0.000 | | | | Est. 0.053 0.103 0.843 StDev 0.028 0.034 0.057 Prob 0.0578 0.0031 0.0000 . MPGzR (dodatek 2) Model GoGARCH . . . . . 10 / 14 GO-GARCH: Przyklad dla EUR/PLN oraz EUR/USD Conditional variance for EUR_USD 1 1 2 2 3 3 4 4 5 5 Conditional variance for EUR_PLN 2002 2004 2006 2008 2010 2012 2002 2006 2008 2010 2012 Conditional correlation −3 −2 −0.5 −1 0.0 0 1 0.5 Conditional covariance 2004 2002 2004 MPGzR (dodatek 2) 2006 2008 2010 2012 2002 Model GoGARCH . 2004 2006 . 2008 . 2010 . 2012 . . 11 / 14 Zadanie 1 Wgraj dane subindeksów sektorowych dla wska¹nika EURO STOXX za pomoc¡ polece«: > library(gogarch) > data(BVDWSTOXX) Wybierz trzy subindeksy i wykonaj nast¦puj¡ce polecenia: 1. Policz logarytmiczne stopy zwrotów. 2. Oszacuj model Go-GARCH za pomoc¡ metody ICA (z wyrazem wolnym w równaniu poziomu dla nieobserwowalnych czynników). 3. 4. Stwórz wykres warunkowych wariancji i warunkowych korelacji. ET [µT + Oblicz prognoz¦ stóp zwrotu ( 1 ]) ET [ΣT + oraz wariancji ( 1 ]) na najbli»szy okres. 5. 6. Oblicz 5% VaR na najbli»szy okres z modelu Go-GARCH dla portfela o wagach = [1/3 1/3 1/3]′ w Porównaj wyniki z poprzedniego punktu z warto±ci¡ VaR uzyskan¡ na podstawie prognoz dla µT +1 i ΣT +1 opartych o historyczne ±rednie. . MPGzR (dodatek 2) Model GoGARCH . . . . . 12 / 14 Zadanie 2 Wgraj dane subindeksów sektorowych dla wska¹nika EURO STOXX za pomoc¡ polece«: > library(gogarch) > data(BVDWSTOXX) Wybierz trzy subindeksy i wykonaj nast¦puj¡ce polecenia: 1. Policz logarytmiczne stopy zwrotów. 2. Oszacuj model Factor-GARCH z 3 czynnikami K PC f B <<<<- 3 princomp(x, cor = FALSE, scores = TRUE) PC$scores[,1:K] PC$loadings[,1:K] 3. Oszacuj model GARCH(1,1) dla ka»dego czynnika 4. Stwórz wykres warunkowych wariancji i warunkowych korelacji. 5. ET [µT + Oblicz prognoz¦ stóp zwrotu ( 1 ]) ET [ΣT + oraz wariancji ( 1 ]) na najbli»szy okres. 6. 7. Oblicz 5% VaR na najbli»szy okres z modelu Factor-GARCH dla portfela o wagach = [1/3 1/3 1/3]′ w Porównaj wyniki z poprzedniego punktu z warto±ci¡ VaR uzyskan¡ na podstawie modelu Go-Garch MPGzR (dodatek 2) . Model GoGARCH . . . . . 13 / 14 Literatura: 1. Bauwens, L., Laurent, S. and Rombouts, J. (2006), Multivariate GARCH models: A survey, Journal of Applied Econometrics 21(1): 79 - 109 2. Bollerslev T, Engle R.F., Wooldridge J.M. (1988), A capital asset pricing model with time varying covariances, Journal of Political Economy 96: 116131. 3. Engle R., Kroner F.K., (1995), Multivariate simultaneous generalized ARCH, Econometric Theory 11: 122150. 4. Engle R., Ng V.K., Rothschild M. (1990). Asset pricing with a factor-ARCH covariance structure: empirical estimates for treasury bills. Journal of Econometrics 45: 213238. 5. Silvennoinen, A. and T. Terasvirta (2009), Multivariate GARCH models, chapter in Handbook of Financial Time Series: 201-229. 6. Van der Weide, R. (2002), GO-GARCH: A Multivariate Generalized Orthogonal GARCH Model, Journal of Applied Econometrics 17(5): 549 564. . MPGzR (dodatek 2) Model GoGARCH . . . . . 14 / 14