「大人の教養・知識・気付き」を伸ばすブログ

一流の大人（ビジネスマン、政治家、リーダー…）として知っておきたい、教養・社会動向を意外なところから取り上げ学ぶことで“気付く力”を伸ばすブログです。データ分析・語学に力点を置いています。　→諸事情により、2023年4月～8月くらいまで更新を不定期にします。

MENU

時系列解析の基礎(16/XX)

時系列解析

　以下の書籍

経済・ファイナンスデータの計量時系列分析 (統計ライブラリー)

経済・ファイナンスデータの計量時系列分析 (統計ライブラリー)

Amazon

を中心に時系列解析を勉強していきます。

前回

power-of-awareness.com

8.　GARCHモデル

8.2　GARCHモデル

8.2.2　GARCHモデル

　金融データのボラティリティは長期に渡って比較的大きな制の自己相関を持つことが多いため、\mathrm{ARCH}モデルを当てはめると次数が大きくなる傾向があり、各母数の解釈が困難になる上、推定精度などに問題が生じる恐れがある。したがってより少ないパラメータ数で可能な限り柔軟に記述できるモデルとして\mathrm{GARCH}モデルを\mathrm{Bollerslev(1986)}が提案した。\mathrm{GARCH}(r,m)モデルは

\begin{aligned} h_t=\omega+\beta_{1}h_{t-1}+\cdots+\beta_{r}h_{t-r}+\alpha_{1}u_{t-1}^2+\cdots++\alpha_{m}u_{t-m}^2 \end{aligned}

で定義される。\mathrm{GARCH}モデルは、前期のショックの大きさのみならず、前期の条件付き分散も今期の条件付き分散に影響を与える点が特徴的である。これにより、より少ないパラメータ数で条件付き分散の長期に渡る自己相関を記述することが可能になる。
　\mathrm{GARCH}モデルにおいても、\mathrm{ARCH}モデルと同様にh_tはh_1から逐次的に計算する。\mathrm{GARCH}モデルの場合、hおよびu^2の双方の初期値が必要となるが、いずれもy_t-\mu_tの標本分散を用いる。またh_t\gt0を保証するためには、\mathrm{GARCH}モデルにパラメータ制約を課す必要があり、\omega\gt0,\alpha_j\geq0,\beta_j\geq0が仮定される。
　\mathrm{GARCH}モデルはu_t^2\sim\mathrm{ARMA}(p,r),\ p=\max(r,m)とモデル化したものである点に注意されたい。

\begin{aligned} w_t=u_t^2-h_t=u_t^2-E[u_t^2|u_{t-1},u_{t-2},\cdots] \end{aligned}

とおけば、

\begin{aligned} u_t^2=&\omega+(\alpha_1+\beta_1)u_{t-1}^2+(\alpha_2+\beta_2)u_{t-2}^2+\cdots+(\alpha_p+\beta_p)u_{t-p}^2\\ &+w_t-\beta_{1}w_{t-1}-\cdots-\beta_{r}w_{t-r} \end{aligned}

が成り立つことからも明らかである。またこの結果から、\mathrm{AR}係数は\alpha_j+\beta_jに等しく、\mathrm{MA}係数は-\beta_jに等しい。
　実証研究では、\mathrm{GARCH}(1,1)が用いられることが多い。解釈がより容易なのと、u_t^2の予測精度が最も良いモデルが\mathrm{GARCH}(1,1)になることが多いためである。そこで以降、\mathrm{GARCH}(1,1)モデル

\begin{aligned} h_t=\omega+\beta h_{t-1}+\alpha u_{t-1}^2 \end{aligned}

に関して議論する。
　まず本モデルの定常条件は、

\begin{aligned} u_t^2=\omega+(\alpha+\beta)u_{t-1}^2+w_t-\beta w_{t-1} \end{aligned}

であることを踏まえると、\mathrm{GARCH}(1,1)モデルの\mathrm{AR}係数は\alpha+\betaであるから、したがって

\begin{aligned} \alpha+\beta\lt1 \end{aligned}

が定常条件である。特殊な場合として、\alpha+\beta=1とすることもでき、このようなモデルを\mathrm{IGARCH}モデルという。
　u_t^2が定常な\mathrm{GARCH}(1,1)モデルの場合、

\begin{aligned} E\left[u_t^2\right]=\displaystyle{\frac{\omega}{1-\alpha-\beta}} \end{aligned}

で与えられる。
　一般に多くの市場に関する研究では、負のショックの方がより大きな影響を持つことが多く、このようなときをレバレッジ効果と呼ぶ。こうしたレバレッジ効果をより上手く捉えるべく、\mathrm{Glosten,et\ al.(1993)}は新たなモデル

\begin{aligned} h_t=\omega+\beta h_{t-1}+\alpha u_{t-1}^2+\gamma u_{t-1}^2\cdot I_{t-1} \end{aligned}

を提案した。これを\mathrm{GJR}モデルという。ここで

\begin{aligned} I_{t-1}=\begin{cases} 1,&u_{t-1}\lt0\\ 0,&u_{t-1}\geq0 \end{cases} \end{aligned}

は確率的なダミー変数と呼べるような変数である。この結果、条件付き分散h_tに対する正のショックの影響は\alphaで、負のショックの影響は\alpha+\gammaとなる。したがって\gamma\gt0おとき、負のショックは性のショックよりも条件付き分散に対して大きな影響を持つことになる。\omega\gt0,\alpha\geq0,\beta\geq0,\alpha+\gamma\geq0である。
　他には以下のような派生モデルが良く用いられる。まず\mathrm{EGARCH}モデルは

\begin{aligned} \log h_t=\omega+\beta\log h_{t-1}+\gamma v_{t-1}+\delta(|v_{t-1}|-E[v_{t-1}]) \end{aligned}

で与えられるもので、h_tの対数をモデル化することでパラメータに制約を課さずとも、h_T\gt0が保障される。
またショックとしてv_{t-1}が用いられており、絶対値の形で与えられている。\gammaがレバレッジ効果を捉えるパラメータであり、\gamma\lt0であるとき、負のショックは性のショックよりも条件付き分散に大きな影響力を持つ。
　もう1つは\mathrm{GARCH}-\mathrm{M}モデルで、たとえば\mathrm{GARCH}(1,1)-\mathrm{M}モデルは

\begin{aligned} \begin{cases} y_t&={}^{t}\boldsymbol{x}_t\boldsymbol{\beta}+\delta h_t+u_t\\ u_t&=\sqrt{h_t}v_t\\ h_t&=\omega+\beta h_{t-1}+\alpha u_{t-1}^2 \end{cases} \end{aligned}

で定義される。ここで\boldsymbol{x}_tは条件付き期待値を説明する変数からなるベクトルである。条件付き期待値に含まれるh_tは\sqrt{h_t}や\log h_tに置き換えられる場合もある。

次回

power-of-awareness.com

参考文献

  • 沖本竜義(2010)「経済・ファイナンスデータの 計量時系列分析」(朝倉書店)
  • 北川源四郎(2020)「Rによる時系列モデリング入門」（岩波書店）
  • 柴田里程(2017)「時系列解析」(共立出版)
  • 白石博(2022)「時系列データ解析」(森北出版)
  • 萩原淳一郎，瓜生真也，牧山幸史[著]，石田基広[監修](2018)「基礎からわかる時系列分析　Rで実践するカルマンフィルタ・MCMC・粒子フィルタ」(技術評論社)
プライバシーポリシー お問い合わせ