波動率

我應該在橫截面回歸中使用 GARCH 波動率還是標準差?

  • December 10, 2012

我想做一個橫斷面研究,其中一些回報序列的歷史中長期波動率(稱之為 $ R_t $ ) 作為回歸量包含在內。在這種情況下,以下兩種波動率估計值中哪一種更優?


$$ \text{Option 1} $$ 當然,歷史收益在某個視窗上的簡單標準差。

$ \boxed{\text{std.dev.}(R_t) = \sqrt{E[(R_t-E[R_t])^2]}} $

$$ \text{Option 2} $$ 讓我們設置 GARCH(1,1) 作為替代範例;

  • 平均方程:

$ R_t = \mu + \epsilon_t $

$ \epsilon_t = z_t \sigma_t $

$ z_t \sim N(0,1) $ , $ \epsilon_t \sim N(0,\sigma_t) $

  • 變異數方程:

$ \sigma_t^2 = \omega + k_1 \epsilon_{t-1}^2 + k_2 \sigma_{t-1}^2 $

然後我們有 $ E[\sigma_t^2] = \omega + k_1 E[\epsilon_{t-1}^2] + k_2 E[\sigma_{t-1}^2] $

$ \implies E[\sigma_t^2] = \omega + k_1 E[\sigma_t^2] + k_2 E[\sigma_t^2] $

$ \implies \boxed{E[\sigma_t^2] = \frac{\omega}{1-k_1-k_2}} $

我建議使用簡單的標準偏差(在您提供的 2 個選項中)。您正在執行歷史數據點的時間序列分析,而不是預測。因此,為什麼要讓自己接觸計算量更大的方法呢?

我還可以向您指出一個相關的(不是重複的)執行緒: 如果殘差經常相關,為什麼要使用 GARCH 模型來預測波動率?

這兩個選項都沒有嚴格優於另一個選項。我同意 Freddy 關於 GARCH 的缺點。另一方面,如果異變異數存在且持續存在,則校正異變異數可以幫助您的模型和預測* 。GARCH 是否是您的最佳選擇值得商榷。您可以查看其他來源來確定波動率,或者作為選項 3,對您已經擁有的數據使用EWMA來估計波動率。

  • 我假設您想在某個時候進行預測。

引用自:https://quant.stackexchange.com/questions/4721