GARCH 连接函数、v 变换和 D-vines 用于随机波动率
《Journal of Multivariate Analysis》:GARCH copulas, v-transforms and D-vines for stochastic volatility
【字体:
大
中
小
】
时间:2026年08月29日
来源:Journal of Multivariate Analysis 1.6
编辑推荐:
**摘要**
本文研究了描述严格平稳的一阶GARCH型过程中滞后变量之间依赖关系和条件依赖关系的双变量copula。研究表明,对称GARCH过程的copula是联合对称但不可交换的,而具有对称创新分布和杠杆效应的过程的copula具有一种较弱的对称形式,称为h-对称。具有非
**摘要**
本文研究了描述严格平稳的一阶GARCH型过程中滞后变量之间依赖关系和条件依赖关系的双变量copula。研究表明,对称GARCH过程的copula是联合对称但不可交换的,而具有对称创新分布和杠杆效应的过程的copula具有一种较弱的对称形式,称为h-对称。具有非对称创新分布的copula既不满足h-对称也不满足v-对称。由于GARCH过程边际分布的函数形式未知,真实的双变量copula通常不可获得,因此本文提出了一类新的近似copula。这些近似方法基于copula密度构造,将描述正依赖关系的双变量copula密度与两种保持均匀性的变换——v-变换——相结合。证明该构造方法应用于球面t分布绝对值之copula密度时尤为有效。本文开发了包含新配对copula的可处理的简化D-藤蔓模型,用于具有随机波动率的时间序列应用。结果表明,与以往使用藤蔓copula获得的结果相比,所构建的模型对来自GARCH过程的模拟数据和一组金融汇率收益数据集均提供了更好的拟合。
**引言**
本文致力于构建基于copula的具有随机波动率的时间序列模型,例如金融资产价格收益率序列。Copula建模方法的哲学在于,通过将边际行为建模和依赖结构建模分离开来,我们可以在实践中获得具有更优拟合能力和预测性能的复合模型。已有许多作者(Loaiza-Maya等人,2018;Bladt和McNeil,2022a;Zhao等人,2022)提出,简化D-藤蔓——一类基于配对或双变量copula的模型——为波动收益率序列的建模提供了有前景的框架。
寻找合适的配对copula来描述波动收益率序列并非易事,因为大多数标准双变量copula用于建模单调依赖关系。收益率序列中的序列依赖在绝对值上趋于单调,但在原始收益率上则呈非单调。本文试图通过研究GARCH型模型所隐含的配对copula来借鉴其在实际应用中的成功经验。本文主要讨论GARCH过程的依赖结构而非实证数据,尽管我们提供了一个示例,表明我们所获得的见解可以引导构建对真实数据极为有效的D-藤蔓模型。
ARCH(Engle,1982)和GARCH(Bollerslev,1986)过程启发了大量相关的GARCH型模型。为了成功建模现实世界的金融收益率序列,GARCH型过程通常需要纳入非对称特征。具体而言,负收益率往往伴随比正收益率更重的尾部,并且倾向于对波动率的增加产生更大的贡献。应对这些现象的特征包括偏斜创新分布和GJR-GARCH(Glosten等人,1993)及指数GARCH(Nelson,1991)模型中纳入的杠杆效应。尽管GARCH型模型在金融数据建模方面取得了成功,但它们仍是一种"黑箱"。平稳分布通常没有已知的闭式表达,尽管许多模型产生的分布具有Pareto尾部(Mikosch和St?ric?,2000)。特别地,其序列依赖结构尚未得到很好的理解。如果$(X_t)_{t\in\mathbb{Z}}$服从GARCH型过程,则当$n\geq 2$时,$(X_1,\ldots,X_n)^\top$的依赖结构可以通过copula来描述,但该copula没有简单的可获取闭式表达。
藤蔓copula同样拥有丰富的文献,包括Joe(1996)、Bedford和Cooke(2002)、Kurowicka和Cooke(2006)、Aas等人(2009)以及Smith等人(2010)。对于时间序列而言,最适用的藤蔓结构是D-藤蔓,它在额外的平移不变性限制条件下能够描述随机向量的严格平稳性(Smith等人,2010;Nagler等人,2022)。马尔可夫copula模型(Darsow等人,1992;Chen和Fan,2006;Beare,2010)是平稳一阶D-藤蔓的示例,已有若干作者对其高阶和多变量扩展进行了研究(Ibragimov,2009;Beare和Seo,2015;Loaiza-Maya等人,2018;Nagler等人,2022;Zhao等人,2022)。
本文的目标有三个。首先,我们希望分析一阶GARCH型模型中隐含配对copula的结构,并研究不同模型特征(如杠杆效应和非对称创新)如何影响这些配对copula的对称性。其次,由于真实的GARCH配对copula在实用中不可获得,我们希望找到可以近似它们的可处理copula。最后,借助本文的分析,我们旨在提出一类行为类似于GARCH型模型的D-藤蔓,并初步展示其对真实数据应用的适用性。
我们的方法与Loaiza-Maya等人(2018)具有洞察力的论文中遵循的方法相似。在该论文中,作者使用模拟数据揭示了描述经典对称ARCH(1)过程序列依赖结构的copula所呈现的十字形依赖关系。他们利用该分析提出了低马尔可夫阶(1或5)的D-藤蔓,其中配对copula是正依赖copula和负依赖copula的混合;他们证明这些模型对汇率收益的条件分位数(风险价值)的预测优于经典对称一阶GARCH型模型。另一篇相关论文是Zhao等人(2022),他们认为D-藤蔓中的t copula可以近似GARCH(1,1)和GJR-GARCH(1,1)模型的依赖结构。本文还扩展了Bladt和McNeil(2022a)的研究,提出了一类与其vt-D-藤蔓模型有所重叠但提供额外灵活性的模型类。Loaiza-Maya等人(2018)和Smith和Maneesoonthorn(2018)还分析了离散时间随机波动率模型的一阶copula——这是GARCH之外用于金融资产价格收益的另一类模型,但本文未予考虑;他们发现了类似的十字形行为。
为了解释我们的贡献,我们注意到,在严格平稳过程$(X_t)_{t\in\mathbb{Z}}$(如GARCH型的平稳模型)中,$(X_1,\ldots,X_n)^\top$分布的联合密度可以分解为如下形式的D-藤蔓:
$$f_{X_1,\ldots,X_n}(x_1,\ldots,x_n) = \prod_{i=1}^{n} f_X(x_i) \prod_{k=1}^{n-1}\prod_{j=k+1}^{n} c_k\big(F_{X_1|X_{[2:k]}}(x_{j-k}|y_{[j-k+1:j-1]}), F_{X_{k+1}|X_{[2:k]}}(x_j|y_{[j-k+1:j-1]}|y_{[j-k+1:j-1]}\big)$$
其中我们使用紧凑记号$y_{[l:m]} := (x_l,\ldots,x_m)^\top$,$f_X$表示$X_1$的边际密度,$F_{X_i|X_{[2:k]}}$表示$X_i$给定$X_2,\ldots,X_k$的条件分布函数($i\in\{1,k+1\}$),$c_k(u,v|y_{[j-k+1:j-1]})$是$(X_1,X_{k+1})^\top$给定$X_2=x_{j-k+1},\ldots,X_k=x_{j-1}$的条件分布的copula密度。当$k=1$时,条件分布即为边际分布$F_X$,$c_1$即为$(X_1,X_2)^\top$无条件分布的copula密度。对于ARCH(1)这样的一阶马尔可夫模型,涉及$c_k(u,v|\cdot)$($k>1$)的项消失。
尽管GARCH型模型的密度可以写成D-藤蔓的形式,但它们通常不能写成所谓的简化D-藤蔓——即在公式(1)中当$k\geq 2$时条件copula密度$c_k$不显式依赖于条件值$y_{[j-k+1:j-1]}$的模型。当D-藤蔓用于实际建模应用时,它们始终是简化D-藤蔓。然而,正如若干作者所指出的(Haff等人,2010;St?ber等人,2013;Mroz等人,2021),简化D-藤蔓可能无法捕获给定联合密度中的所有特征,例如GARCH型模型的联合密度。
我们的第一项贡献与对一阶GARCH型模型中公式(1)的GARCH配对copula密度$c_k$的分析相关,在第2节中描述。我们提供了理论证明:(i)对称模型产生联合对称的copula;(ii)具有对称创新分布和杠杆效应的模型具有较弱对称性的copula,我们称之为h-对称;(iii)具有非对称创新的模型同时丧失h-对称和v-对称。我们通过数值近似提供精确的copula密度等高线图来验证理论洞察,揭示了此前被忽略的特征,例如即使在最对称的模型中copula也不可交换。该理论补充并扩展了Loaiza-Maya等人(2018)的工作,后者研究了ARCH(1)模型中的copula密度$c_1$,并使用模拟方法和自适应核密度估计来揭示其十字形形式。
第二部分材料(第3节)涉及寻找可以近似GARCH配对copula的copula。我们展示了被称为v-变换(McNeil,2021)的保持均匀性变换如何隐式地作用于经典对称模型和具有某些非对称形式的模型的copula中。我们使用一种我们称之为v-变换随机反转的技术,研究了构造近似GARCH配对copula的copula的方法,并确定了哪些copula对来自GARCH型模型的模拟数据拟合最好。我们发现,具有上尾依赖的正依赖copula的逆v-变换版本——如survival Clayton、Joe,或我们称为绝对球面t的新copula——通常优于混合copula。
最后,在第4节中,我们提出了一类行为类似于GARCH模型的简化D-藤蔓,可用于建模真实数据。为支持简化D-藤蔓的使用,我们在第2.5节中提供了一些证据,表明高阶条件copula对条件变量的依赖可能是较弱的。我们的简化D-藤蔓将第3节中开发的逆v-变换配对copula与Bladt等人(2026)提出的通过ARMA过程偏自相关函数进行参数化的简约方法相结合。所得模型推广了Bladt和McNeil(2022a)的vt-D-藤蔓模型的一个子类,并且对模拟GARCH数据的拟合优于Zhao等人(2022)中使用的基于一阶和二阶t copula的简化D-藤蔓。一个对真实数据集的初步应用——Loaiza-Maya等人(2018)提供并分析的日汇率收益数据——表明,我们模型中较高的马尔可夫阶数及其包含的copula构造可以产生比以往使用D-藤蔓获得的更优拟合的模型。
**片段摘录**
**ARCH和GARCH过程**
我们定义了一类广泛的一阶GARCH型模型,并为一些特殊情况建立了术语。
**定义1 一阶GARCH过程**
1. GARCH(1,1)型过程是一个满足如下方程形式的严格平稳过程$(X_t)_{t\in\mathbb{Z}}$:
$$X_t = \sigma_t \epsilon_t$$
其中$(\epsilon_t)_{t\in\mathbb{Z}}$是iid创新的序列,服从均值为零、方差为一的连续分布,$(\sigma_t)_{t\in\mathbb{Z}}$是满足$\sigma_t = \sigma(X_{t-1}, \sigma_{t-1})$的变量序列,其中$\sigma: \mathbb{R} \times \mathbb{R}^+ \to \mathbb{R}^+$是严格取正值的参数化波动率函数。
2. ARCH(1)过程……
**v-变换及其逆**
长期以来人们已观察到,金融资产价格收益率序列及其描述模型(如GARCH)中的序列依赖性表现为绝对值或平方值的序列相关性。Loaiza-Maya等人(2018)研究了v形对称变换$T$,如绝对值函数$T(x) = |x|$,并推导了一个公式将$(T(Y - E(Y)), T(Z - E(Z)))^\top$的copula $C^*$与$(Y, Z)^\top$的copula $C$联系起来。McNeil(2021)指出,此类变换对copula的影响……
**简化D-藤蔓结构的提案**
本节利用第2节和第3节的洞察,提出一类行为类似于GARCH(1,1)过程的简化D-藤蔓,为金融时间序列提供潜在的替代模型。构建模型的一个指导原则是简约性。GARCH(1,1)模型的参数相对较少,一个有效的模型可以同时纳入杠杆和偏斜创新,仅需六个……
**结论**
本文提出了三个问题。首先,在一阶GARCH(1,1)模型中,变量对$(X_t, X_{t+k})$的序列依赖和条件依赖背后的双变量copula是什么?其次,由于GARCH型过程的真实配对copula和条件copula在实践中不可获得,能否用更简单的构造来近似它们?第三,这些想法能否帮助我们构建行为类似于GARCH型模型但提供更多……的简化D-藤蔓。
**可重复性**
用于复现本文分析的R代码可在https://github.com/ajmcneil/papers获取。
**利益冲突声明**
作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。
**致谢**
我们感谢编辑和审稿人的建设性反馈,这些反馈帮助改进了本文。
Alexandra Dias | Jialing Han | Alexander J. McNeil
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号