MerQuR+Başvuru Kitabı

102. Genişletilmiş GARCH: GARCH-M, IGARCH, TGARCH, APARCH, EGARCH, NAGARCH

Şablon kimliği: garch_genis · Kategori: zaman serisi · Dil: R · Dosya: pro/sablonlar/zaman_serisi/garch_genis.R (satır 1–293; üstbilgi 1–124) · Örnek veri: _ornek/garch_genis_dmbp.csv · Paketler: rugarch 1.5-6

102.1 Ne işe yarar

Şablon, tek bir getiri serisinin koşullu oynaklığını GARCH ailesinin yedi varyans modelinden biriyle, ortalama denkleminde ARMA(m,n), dışsal açıklayıcı ve isteğe bağlı GARCH-M terimiyle, normal, Student t, GED ya da çarpık dağılımlarla en çok olabilirlikle kestirir. Cevapladığı soru şudur: "Bu serinin varyansı zamanla nasıl değişiyor; şoklar ne kadar kalıcı; negatif şoklar pozitiflerden daha çok oynaklık yaratıyor mu; risk (oynaklık) getiriye yansıyor mu?" Çıktı, katsayılar (Hessian ve sağlam sandviç SH), log-olabilirlik ve bilgi ölçütleri, kalıcılık, yarı ömür ve koşulsuz varyans, standartlaştırılmış artıklar için tanı testleri, isteğe bağlı model karşılaştırması, koşullu standart sapma serisi ve haber etkisi eğrisidir.

Ne zaman kullanılır?

  • Finansal ya da başka bir getiri/değişim serisinde oynaklık kümelenmesini modellemek, tahmin etmek ve kalıcılığını ölçmek için.
  • Asimetriyi (kaldıraç etkisini) sınamak: GJR-GARCH, TGARCH, APARCH, EGARCH ve NAGARCH negatif ve pozitif şokları farklı ağırlıklandırır.
  • Risk primini sınamak: ortalamada oynaklık terimi (GARCH-M) için.
  • Aynı veride birden çok varyans modelini bilgi ölçütleriyle karşılaştırmak için (karsilastir).

Ne zaman kullanılmaz?

  • Birden çok seri ve zamanla değişen korelasyon: dcc_garch şablonu.
  • Ortalamanın kendisinde rejim ya da eşik davranışı (eşikli otoregresif model): esik_ar ve markov_rejim şablonları.
  • Uzun bellekli (kesirli bütünleşik) ortalama ya da oynaklık: arfima şablonu; GARCH'ın kısa belleği uzun belleği yakalamaz.
  • Seride yapısal kırılma varsa: GARCH kalıcılığı kırılma nedeniyle şişebilir; kırılma için yapisal_kirilma ailesine bakın.
  • Düzeyleri (fiyat) vermek: model getiriye uygundur; fiyat düzeyi verilirse şablon, serinin birinci derece otokorelasyonu 0{,}9'u aşınca uyarı yazar (149–150; 102.8).

Temel programla ilişki. Temel programdaki "GARCH (Volatility Model)" analizi standart GARCH, EGARCH ve GJR-GARCH'ı, sabit ya da ARMA(1,1) ortalamayla, normal ve Student t dağılımıyla kestirir ve parametreleştirmesi, başlangıç varyansı ve bilgi ölçütlerinin gözlem başına yazımı bakımından aynı rugarch kurallarına uyar. Bu şablon üstüne IGARCH, TGARCH, APARCH ve NAGARCH varyans modellerini; ARMA(m,n) ve dışsal açıklayıcıları; GARCH-M'yi; GED ve çarpık dağılımları; yedi modelin karşılaştırmasını; işaret yanlılığı testini ve haber etkisi eğrisini ekler.

102.2 Şablonun girdileri

Form, üstbilgideki 16 [[param]] bloğundan kurulur (garch_genis.R:10–123). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Getiri serisi · getiri sayısal sütun · Değişkenler yok sayısal sütun y_t (10–14, 129–134).
Zaman etiketi · zaman sütun (isteğe bağlı) · Değişkenler boş herhangi sütun Yalnız etiket; sıralama yapılmaz, ama değerleri azalan sıradaysa uyarı yazılır (15–20, 131, 137, 151–158).
Dışsal açıklayıcılar · dissal sütunlar (sayısal, isteğe bağlı) · Değişkenler boş sayısal sütunlar Ortalama denklemine eklenir (21–27, 132, 135–136, 177).
Varyans modeli · varyans_modeli seçim · Model sGARCH sGARCH, iGARCH, gjrGARCH, TGARCH, apARCH, eGARCH, NAGARCH Varyans denklemi (28–34, 160, 171–173).
ARCH terimi sayısı · garch_p tamsayı · Model 1 0–3 \alpha terimlerinin sayısı (35–42, 161).
GARCH terimi sayısı · garch_q tamsayı · Model 1 0–3 \beta terimlerinin sayısı (43–50, 161).
Ortalama: AR mertebesi · ar tamsayı · Model 0 0–4 ARMA'nın m'si (51–58, 164).
Ortalama: MA mertebesi · ma tamsayı · Model 0 0–4 ARMA'nın n'si (59–66, 164).
Ortalamada sabit · sabit onay · Model açık açık/kapalı include.mean (67–72, 165, 176).
GARCH-M · garch_m seçim · Model yok yok, ss, varyans Ortalamaya \sigma_t (ss) ya da \sigma_t^2 (varyans) eklenir (73–79, 166, 176).
Yenilik dağılımı · dagilim seçim · Model norm norm, std, ged, sstd, sged z_t'nin dağılımı (80–86, 167, 178).
Karşılaştırma · karsilastir onay · Seçenekler kapalı açık/kapalı Yedi varyans modelinin tablosu (87–92, 248).
Ljung–Box gecikmesi · lb_gecikme tamsayı · Seçenekler 10 1–50 Ljung–Box testinin gecikmesi (93–100, 234).
Çözücü · cozucu seçim · Gelişmiş hybrid hybrid, solnp, nlminb, lbfgs ugarchfit(solver=) (101–107, 168, 186).
Göreli tolerans · tol ondalık · Gelişmiş 10^{-8} 10^{-14}–10^{-3} solver.control$tol (108–115, 169, 187).
Sayısal türev adımı · delta ondalık · Gelişmiş 10^{-8} 10^{-14}–10^{-3} solver.control$delta (116–123, 169, 187).

Şablonun kendi denetimleri.

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 128
Getiri seçilmemiş ya da veride yok "Getiri serisini seçin." 130
Getiri sayısal değil "'…' sayısal değil." 134
Tam gözlem yok "Seçilen değişkenlerde tam gözlem yok." 139
Serinin ortasında eksik "Serinin ortasında eksik değer var; GARCH kesintisiz bir zaman serisi gerektirir." 141
Tam gözlem sayısı 100'den az "GARCH için en az 100 tam gözlem gerekli (şu an …)." 144
Getiri ya da bir açıklayıcı sabit "Getiri serisi sabit." / "'…' açıklayıcısı sabit." 145–146
ARCH ve GARCH mertebesi ikisi birden 0 "ARCH ve GARCH mertebelerinin ikisi birden 0 olamaz." 162
IGARCH için GARCH terimi yok "IGARCH en az bir GARCH (β) terimi gerektirir." 163
Çözücü 240 saniyede sonuç vermedi "Model 240 saniyede kestirilemedi (çözücü ilerlemiyor); …" 196–197
Kestirim hatası "Model kestirilemedi: …" 198
Çözücü yakınsamadı ya da SH matrisi yok "Model yakınsamadı; daha yalın bir model, başka bir dağılım ya da başka bir çözücü deneyin." 199–200

Bir gözlem ortalamadan 50 standart sapmadan uzaksa şablon durmaz, "veri hatası olabilir" uyarısı yazar (148); serinin birinci derece otokorelasyonu 0{,}9'u aşarsa (fiyat düzeyi) ve zaman sütunu azalan sıradaysa da uyarı yazar (149–158). Çözücü uyarıları durdurulmadan toplanır ve sonda "Uyarılar:" satırı olarak yazılır (185–189, 264). Kestirim süresi 240 s'yi (karsilastir içinde her ek model için 45 s'yi) aşarsa kesilir (180–184, 252).

Örnek ayar (ornek_param, satır 9): getiri = getiri, zaman = gun, varyans_modeli = TGARCH, garch_m = yok, dagilim = std, karsilastir = açık; öteki alanlar varsayılandadır (GARCH(1{,}1), ARMA(0,0) + sabit).

102.3 Örnek veri

garch_genis_dmbp.csv: Bollerslev ve Ghysels'in (1996) Alman markı/İngiliz sterlini günlük döviz kuru getirileri (rugarch'ta dmbp; Brooks ve ark., 2001'de GARCH ölçütü olarak kullanılan veri). 1974 gözlem, eksik değer yok.

Değişken Rol Tür (veri sekmesinin algıladığı) Özet
gun zaman etiketi sayısal (tam sayı) 1 … 1974
getiri getiri sayısal ortalama −0,01643; s.s. 0,47024; aralık −2,1443 … 3,1726
pazartesi dışsal açıklayıcı (denemede) ikili 456 gün 1 (%23,1)

Örnek ayar yalnız getiri serisini kullanır; pazartesi bir dışsal açıklayıcı denemesinde (aşağıda) yer alır. Kategorik düzey sırası bu şablonda rol oynamaz; sayısal rollere atanan sütunlar veri sekmesindeki türü ne olursa olsun sayı olarak aktarılır (Bölüm 1.3).

Bölümde kullanılan çalıştırmalar (hepsi aynı veride, tohum gerektirmez):

  1. Örnek ayar (gg_ornek): TGARCH(1,1), Student t, karşılaştırma açık.
  2. Yayımlı ölçüt: sGARCH, EGARCH (normal; tol ve delta 10^{-9}, ortalama ARMA(0,0)).
  3. Varyans modeli taraması: iGARCH, gjrGARCH, TGARCH, apARCH, NAGARCH (normal) ve IGARCH ile Student t.
  4. GARCH-M: varyans (\sigma^2, AR(0)) ve ss (\sigma, AR(1)); dışsal açıklayıcı (pazartesi).
  5. Dağılım ve bozuk veri denemeleri: ged, sstd; ortada eksik, baştaki eksik, fiyat düzeyi, ters sıra.

102.4 Yöntem: formüller ve hesap adımları

Hesap sırası: (1) seri ve açıklayıcılar sayısala çevrilir, kesintisiz aralık alınır; (2) seçilen spesifikasyon ugarchspec ile kurulur; (3) ugarchfit ile en çok olabilirlikle kestirilir; (4) katsayı tabloları (Hessian ve sağlam SH), log-olabilirlik ve bilgi ölçütleri; (5) kalıcılık, yarı ömür ve koşulsuz varyans; (6) standartlaştırılmış artıklar üzerinde tanı testleri; (7) isteğe bağlı model karşılaştırması; (8) koşullu varyans serisi, şekiller.

Koddaki tercih

Şablon bütün modellemeyi rugarch'a bırakır: ugarchspec(variance.model, mean.model, distribution.model) ve ugarchfit(spec, data, solver, solver.control); TGARCH ve NAGARCH variance.model = list(model = "fGARCH", submodel = …) ile kurulur (171–174). Çıktılar coef/matcoef, likelihood, infocriteria, persistence, halflife, uncvariance, residuals(fit, standardize = TRUE), signbias, sigma ve newsimpact ile alınır. Ortalama denklemi her modelde aynıdır.

102.4.1 Veri hazırlığı

Getiri ve açıklayıcılar sayısala çevrilir; ilk ve son tam gözlem arasında kesintisiz olmayan veri reddedilir (133–143). Baştaki ve sondaki eksikler kırpılır; n\ge100 gerekir; mutlak değeri ortalamadan 50 standart sapmadan büyük bir gözlem uyarı doğurur (148). Serinin birinci derece otokorelasyonu 0{,}9'u aşıyorsa (fiyat düzeyi gibi durağan olmayan seri) ve zaman sütunu azalan sıradaysa da uyarı yazılır (149–158). Satır sırası zamandır; şablon sıralama yapmaz.

102.4.2 Ortalama denklemi ve GARCH-M

y_t=\mu+\sum_{i=1}^{m}\phi_i\,y_{t-i}+\sum_{j=1}^{n}\theta_j\,\varepsilon_{t-j}+\sum_{k}\xi_k\,x_{kt}+\lambda\,\sigma_t^{\kappa}+\varepsilon_t,\qquad \varepsilon_t=\sigma_tz_t
  • \mu: sabit terim (sabit kapalıysa yok); \phi_i ve \theta_j: AR ve MA katsayıları; \xi_k: dışsal açıklayıcıların katsayıları (çıktıda açıklayıcının sütun adıyla yazılır; paketin mxreg1, mxreg2, … adları sütun adlarına çevrilir, 204–205).
  • \lambda\sigma_t^{\kappa}: GARCH-M (Engle ve ark., 1987) terimi; ss için \kappa=1 (koşullu standart sapma), varyans için \kappa=2 (koşullu varyans). Çıktıdaki adı garch_m'dir; yoksa terim yoktur.
  • z_t: ortalaması 0 ve varyansı 1 olan standartlaştırılmış yenilik.

Neden ortalamada oynaklık?

\lambda>0 ise yüksek oynaklık dönemlerinde beklenen getiri artar (risk primi). \sigma_t ya da \sigma_t^2 seçimi, riskin getiriye doğrusal ya da ikinci dereceden girdiğini söyler; iki seçenek aynı veride farklı \hat\lambda ve farklı log-olabilirlik verir. \lambda'nın anlamlı çıkması yalnız ortalama ile varyansın ortak kestirilmesiyle mümkündür; bu nedenle başlangıç değerleri ve yakınsama ortalamasız modele göre daha duyarlıdır.

102.4.3 Varyans denklemleri

Aşağıdaki denklemlerde p = garch_p (ARCH terimleri), q = garch_q (GARCH terimleri), z_{t}=\varepsilon_t/\sigma_t; çıktıdaki parametre adları parantezdedir.

Standart GARCH (sGARCH; Bollerslev, 1986):

\sigma_t^2=\omega+\sum_{l=1}^{p}\alpha_l\,\varepsilon_{t-l}^2+\sum_{l=1}^{q}\beta_l\,\sigma_{t-l}^2

IGARCH (iGARCH; Engle ve Bollerslev, 1986): aynı denklem, \sum\alpha_l+\sum\beta_l=1 kısıtıyla (son \beta kısıttan çıkar; (1{,}1) için \beta=1-\alpha).

GJR-GARCH (gjrGARCH; Glosten ve ark., 1993; gamma1):

\sigma_t^2=\omega+\sum_{l}\big(\alpha_l+\gamma_l\,\mathbb 1[\varepsilon_{t-l}<0]\big)\varepsilon_{t-l}^2+\sum_{l}\beta_l\,\sigma_{t-l}^2

TGARCH (TGARCH; Zakoian, 1994; eta11): koşullu standart sapma üzerinde eşikli model,

\sigma_t=\omega+\sum_{l}\alpha_l\big(|\varepsilon_{t-l}|-\eta_l\,\varepsilon_{t-l}\big)+\sum_{l}\beta_l\,\sigma_{t-l}

APARCH (apARCH; Ding ve ark., 1993; gamma1, delta):

\sigma_t^{\delta}=\omega+\sum_{l}\alpha_l\big(|\varepsilon_{t-l}|-\gamma_l\,\varepsilon_{t-l}\big)^{\delta}+\sum_{l}\beta_l\,\sigma_{t-l}^{\delta}

EGARCH (eGARCH; Nelson, 1991; alpha1, gamma1):

\ln\sigma_t^2=\omega+\sum_{l}\big\{\alpha_l\,z_{t-l}+\gamma_l\big(|z_{t-l}|-E|z|\big)\big\}+\sum_{l}\beta_l\,\ln\sigma_{t-l}^2

NAGARCH (NAGARCH; Engle ve Ng, 1993; eta21):

\sigma_t^2=\omega+\sum_{l}\alpha_l\,\sigma_{t-l}^2\,(z_{t-l}-\eta_l)^2+\sum_{l}\beta_l\,\sigma_{t-l}^2
  • \omega>0; \alpha_l,\beta_l\ge0 (EGARCH'ta \omega,\alpha,\gamma işaret kısıtsızdır).
  • \gamma>0 (GJR, APARCH, EGARCH) ve \eta>0 (TGARCH, NAGARCH) negatif şokların etkisinin büyük olduğu kaldıraç etkisini gösterir.
  • E|z|: yenilik dağılımına göre standartlaştırılmış mutlak değer ortalaması; normal için \sqrt{2/\pi}, Student t için E|z|=\dfrac{2\sqrt{\nu-2}\,\Gamma(\frac{\nu+1}2)}{(\nu-1)\sqrt\pi\,\Gamma(\frac\nu2)}.
  • Parametre adları rugarch'ın verdiği adlardır; şablon yalnız archm'i garch_m diye yeniden adlandırır (202–207).

Aynı ad, farklı model

Beş modelin "asimetri" parametresi farklı adlarla ve farklı anlamlarla gelir: GJR'de \gamma kareli şoka eklenen terimdir; APARCH'ta \gamma mutlak şokun içindedir (\delta üssüyle); TGARCH'ta \eta standart sapma denklemindedir; EGARCH'ta \gamma büyüklük etkisidir ve işaret etkisi \alpha'dadır; NAGARCH'ta \eta standartlaştırılmış şoku kaydırır. Parametre değerleri modeller arasında doğrudan karşılaştırılamaz; karşılaştırma log-olabilirlik ve bilgi ölçütleriyle yapılır.

Başlangıç değerleri. Varyans özyinelemesi t=2'den başlar ve ilk gözlemde rugarch geri tahminini kullanır: sGARCH, IGARCH, GJR-GARCH, NAGARCH ve EGARCH için \sigma_1^2=\tfrac1n\sum_t\hat\varepsilon_t^2; APARCH için \sigma_1^{\delta}=\tfrac1n\sum_t|\hat\varepsilon_t|^{\delta}; TGARCH için \sigma_1\approx\tfrac1n\sum_t|\hat\varepsilon_t| (bağımsız hesap bu son başlangıcı 5\cdot10^{-5} göreli farkla yeniden üretir). \hat\varepsilon_t, kestirilen \mu (ve GARCH-M'de \lambda terimsiz y_t-\mu) ile hesaplanır. rugarch standart GARCH ve GJR'de durağanlık kısıtı koyar (\sum\alpha+\sum\beta<1; üst sınır 0,999).

102.4.4 Dağılımlar ve log-olabilirlik

\varepsilon_t=\sigma_tz_t, z_t birim varyanslı olmak üzere log-olabilirlik

\ell=\sum_{t=1}^{n}\big\{\ln f(z_t)-\ln\sigma_t\big\},\qquad \ln f_{\mathrm{norm}}(z)=-\tfrac12(\ln2\pi+z^2),\qquad \ln f_t(z)=\ln\frac{\Gamma(\frac{\nu+1}2)}{\Gamma(\frac\nu2)\sqrt{\pi(\nu-2)}}-\frac{\nu+1}2\ln\Big(1+\frac{z^2}{\nu-2}\Big)
  • Student t (std) birim varyans için ölçeklenmiştir; \nu>2 ("shape" parametresi).
  • GED (ged) ve çarpık dağılımlar (sstd, sged) için shape; çarpık dağılımlarda ayrıca skew kestirilir (Fernández ve Steel, 1998 çarpıklığı).
  • Katsayı tablosundaki z ve p normal dağılımdan, parametre sayısı k rugarch'ın ipars kayıtlarında "Estimate = 1" olan parametre sayısıdır (212).

102.4.5 Standart hatalar, bilgi ölçütleri, kalıcılık

İki katsayı tablosu verilir: Hessian'dan SH ve sağlam sandviç SH (Bollerslev ve Wooldridge, 1992; robust.matcoef). Bilgi ölçütleri rugarch tanımıyla gözlem başına, ayrıca toplam AIC ve SBC:

\mathrm{AIC}=-2\ell+2k,\qquad \mathrm{SBC}=-2\ell+k\ln n,\qquad \mathrm{Akaike}=\frac{\mathrm{AIC}}n,\qquad \mathrm{Bayes}=\frac{\mathrm{SBC}}n
\mathrm{Shibata}=\frac{-2\ell}{n}+\ln\frac{n+2k}{n},\qquad \mathrm{HQ}=\frac{-2\ell+2k\ln\ln n}{n}
  • k: kestirilen parametre sayısı; IGARCH'ta \beta=1-\alpha kestirilmez ve k'ya girmez.
  • "Gözlem başına" ölçütler küçüldükçe model iyidir.

Kalıcılık P, yarı ömür ve koşulsuz varyans:

P_{\mathrm{sGARCH}}=\sum\alpha+\sum\beta,\quad P_{\mathrm{GJR}}=\sum\alpha+\sum\beta+\tfrac12\sum\gamma\ \ (\text{simetrik } z),\quad P_{\mathrm{TGARCH}}=\sum\beta+E|z|\sum\alpha,\quad P_{\mathrm{EGARCH}}=\sum\beta
\text{yarı ömür}=\frac{\ln0{,}5}{\ln P},\qquad \sigma^2_{\mathrm{koşulsuz}}=\frac{\omega}{1-P}\ \ (\text{sGARCH, GJR}),\qquad \sigma^2_{\mathrm{koşulsuz}}=\Big(\frac{\omega}{1-P}\Big)^{2}\ \ (\text{TGARCH})
  • IGARCH'ta P=1 ve koşulsuz varyans ile yarı ömür tanımsızdır; şablon bunu bir not satırıyla yazar (231).
  • Değerler rugarch'ın persistence, halflife ve uncvariance işlevlerindendir (223–225) ve bağımsız olarak yeniden hesaplanmıştır. APARCH için P=\sum\beta+\sum\alpha\,E(|z|-\gamma z)^{\delta} (beklenti standart normal yoğunluğa göre sayısal integralle; koşulsuz varyans \{\omega/(1-P)\}^{2/\delta}), NAGARCH için P=\sum\alpha(1+\eta^2)+\sum\beta ve koşulsuz varyans \omega/(1-P)'dir.

102.4.6 Tanı testleri

Standartlaştırılmış artıklar \hat z_t üzerinde (233–246):

Q(L)=n(n+2)\sum_{j=1}^{L}\frac{\hat\rho_j^2}{n-j},\qquad Q\sim\chi^2_{L-f}
  • Birinci test \hat z_t için (f=\min(m+n,L-1), ARMA mertebelerinin toplamı), ikinci test \hat z_t^2 için (f=0) Ljung–Box testidir (Box.test). İkincisi kalan ARCH etkisini sınar.
  • \hat\rho_j: örnek otokorelasyon; L = lb_gecikme.

İşaret yanlılığı testi (Engle ve Ng, 1993; rugarch signbias): S^-_{t-1}=\mathbb 1[\hat\varepsilon_{t-1}<0] olmak üzere

\hat z_t^2=b_0+b_1\,S^-_{t-1}+b_2\,S^-_{t-1}\hat\varepsilon_{t-1}+b_3\,(1-S^-_{t-1})\hat\varepsilon_{t-1}+e_t,\qquad t=2,\dots,n
  • Tablodaki üç satır |t| istatistikleridir (işaret yanlılığı b_1, negatif büyüklük b_2, pozitif büyüklük b_3; rugarch t değerinin mutlak değerini verir) ve p değerleri t dağılımındandır. "Ortak etki", H_0:b_1=b_2=b_3=0 için \chi^2_3 Wald istatistiğidir.
  • Regresyonda \hat\varepsilon ham artıktır, bağımlı değişken standartlaştırılmış artığın karesidir.
  • Anlamlı bir yanlılık, varyans denkleminde bir asimetri teriminin eksik olduğunu gösterir.

102.4.7 Model karşılaştırması ve haber etkisi

karsilastir açıkken yedi varyans modeli aynı ortalama, aynı mertebe ve aynı dağılımla kestirilir (seçili model yeniden kestirilmez; hybrid çözücüsünde diğerleri solnp ile, her biri en çok 45 s; 236–251). Tablo log-olabilirlik, k ve dört gözlem başına ölçütü verir; kestirilemeyenler boş satırdır. Haber etkisi eğrisi rugarch newsimpact'ından gelir: \varepsilon_{t-1}'in işlevi olarak \sigma_t^2; IGARCH'ta ve eğri hesaplanamazsa \sigma_t^2=\omega+\alpha_1\varepsilon_{t-1}^2+(1-\sum\alpha)\overline{\sigma^2} biçiminde örneklem ortalaması koşullu varyansında çizilir (280–286).

102.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–124 Üstbilgi: 16 parametre, örnek veri ve ayar.
125–126 Dil yardımcısı .m; rugarch yüklenir.
128–148 Veri: sayısal dönüşüm, kesintisiz aralık, n\ge100, sabitlik ve aşırı değer denetimleri. Ortada eksik hata; baştaki ve sondaki eksik kırpılır.
160–169 Ayarların okunması ve IGARCH/ARCH-GARCH denetimleri. garch_p + garch_q = 0 hata.
171–179 ozellik: ugarchspec (varyans, ortalama, GARCH-M, dışsal açıklayıcı, dağılım). TGARCH/NAGARCH fGARCH alt modeli.
180–200 uydur: süre sınırlı (240 s) ugarchfit, uyarı toplama; hata ve yakınsama denetimi. Tek yakınsama denetimi convergence != 0 ve SH matrisinin varlığı.
202–222 Katsayı tabloları: Hessian ve sağlam SH; konsol satırı. archm → garch_m.
223–231 Kalıcılık, yarı ömür, koşulsuz varyans; "Model uyumu" tablosu. k = kestirilen parametre.
233–246 Tanılar: Ljung–Box, işaret yanlılığı. signbias hata verirse satırlar atlanır (238).
248–263 Model karşılaştırma tablosu. Boş satırlar için not (261).
266–268 Koşullu standart sapma ve varyans serisi tablosu.
270–292 Şekiller: getiri ve \pm2\hat\sigma_t bandı, koşullu standart sapma, haber etkisi eğrisi.

Kritik bölüm, süre sınırlı kestirimdir:

uydur <- function(vm, cz = coz, sure = 240) {
  setTimeLimit(elapsed = sure, transient = TRUE)
  on.exit(setTimeLimit(elapsed = Inf), add = TRUE)
  f <- withCallingHandlers(tryCatch(ugarchfit(ozellik(vm), data = y, solver = cz,
          solver.control = if (cz %in% c("solnp", "hybrid")) list(tol = tol, delta = dlt, trace = 0) else list(trace = 0)),
          error = function(e) e), warning = ...)
  ...
}

Bazı model–dağılım bileşimlerinde çözücü dakikalarca ilerlemeyebilir; süre sınırı bu durumda kullanıcıya açık bir ileti döndürür (196–197). Hata nesnesi döndürülüp denetlendiğinden çözücü hatası da "Model kestirilemedi" iletisiyle yüzeye çıkar (198).

102.6 Elle hesap: örnek veride bağımsız yeniden hesap

Hesap dogrulama/garch_genis/elle_hesap.py ile yapılmıştır: yalnız numpy ve scipy kullanılmış, rugarch çağrılmamıştır (yedi varyans özyinelemesi, normal ve Student t olabilirliği, GARCH-M, Ljung–Box, işaret yanlılığı, kalıcılık ve yarı ömür elle kurulmuştur). r_dogrulama.R aynı hesabı düz R ile (ve optim ile bir kestirimi) yeniden yapar. İki doğrulama düzeyi vardır: (i) şablonun kestirdiği parametrelerde bütün türetilmiş büyüklükler 10^{-6} içinde (TGARCH satırlarında 10^{-4}) yeniden hesaplanır; (ii) kestirimin kendisi sıfırdan yinelenir.

Adım 1 — Standart GARCH(1,1), normal. \hat\varepsilon_t=y_t-\hat\mu, \sigma_1^2=\overline{\hat\varepsilon^2}, \sigma_t^2=\hat\omega+\hat\alpha\hat\varepsilon_{t-1}^2+\hat\beta\sigma_{t-1}^2. Sıfırdan en iyileme: \hat\mu=-0{,}00618442, \hat\omega=0{,}0107603, \hat\alpha=0{,}153407, \hat\beta=0{,}805879; \ell=-1106{,}5866, \mathrm{AIC}=2221{,}173, \mathrm{SBC}=2243{,}524 (k=4).

Adım 2 — Koşullu standart sapma. \sigma_1=0{,}470237 (örneklem ortalama \overline{\hat\varepsilon^2}'nin karekökü), \sigma_n=0{,}338874, en büyük \sigma_t=1{,}362074.

Adım 3 — Kalıcılık ve yarı ömür. P=0{,}153407+0{,}805879=0{,}959286; yarı ömür \ln0{,}5/\ln0{,}959286=16{,}676 gün; koşulsuz varyans 0{,}0107603/(1-0{,}959286)=0{,}264293.

Adım 4 — Tanılar (sGARCH). Ljung–Box(10): \hat z için 10{,}1220 (p=0{,}4299), \hat z^2 için 9{,}0573 (p=0{,}5267). İşaret yanlılığı |t|=1{,}3192;\ 0{,}2434;\ 0{,}6660 (p=0{,}187;\ 0{,}808;\ 0{,}505); ortak \chi^2_3=2{,}8773 (p=0{,}4109).

Adım 5 — Örnek ayar: TGARCH, Student t. \sigma_t=\omega+\alpha(|\varepsilon_{t-1}|-\eta\varepsilon_{t-1})+\beta\sigma_{t-1}, \ln f_t ile. Sıfırdan en iyileme: \hat\mu=-0{,}000376207, \hat\omega=0{,}00915816, \hat\alpha=0{,}134335, \hat\beta=0{,}885215, \hat\eta=0{,}170109, \hat\nu=4{,}13429; \ell=-985{,}2504; k=6, \mathrm{AIC}=1982{,}501, \mathrm{SBC}=2016{,}028. Kalıcılık P=\hat\beta+\hat\alpha\,E|z|=0{,}885215+0{,}134335\cdot0{,}71221=0{,}980889; yarı ömür 35{,}92 gün; koşulsuz varyans (0{,}00915816/0{,}019111)^2=0{,}229639.

Adım 6 — Öteki varyans modelleri. Şablonun kestirdiği parametrelerde (normal dağılım) log-olabilirlik: IGARCH -1112{,}5457 (k=3), GJR -1106{,}0837 (k=5), EGARCH -1102{,}2580 (k=5), APARCH -1101{,}8260 (k=6), NAGARCH -1105{,}1443 (k=5), TGARCH -1102{,}9512 (k=5); GARCH-M (\sigma^2) -1106{,}0395 (k=5); IGARCH Student t -989{,}7395 (k=4). Hepsi bağımsız özyinelemeyle yeniden üretilmiştir.

Adım 7 — Yayımlı ölçüt. Bollerslev ve Ghysels'in dmbp verisinde yayımlanan GARCH(1,1) katsayıları (\mu=-0{,}00619041, \omega=0{,}0107613, \alpha=0{,}153134, \beta=0{,}805974) şablonun sonuçlarıyla 2{,}5\cdot10^{-3} göreli içinde uyuşur (yayımlı hesap farklı bir başlangıç varyansı kullanır).

102.6.1 Doğrulama: MerQuR+, Python, R ve yayımlı değerler

MerQuR+ sütunu her çalıştırmanın "Model uyumu", "Tanı testleri", "Katsayılar" ve "Koşullu standart sapma ve varyans serisi" tablolarından tam hassasiyetle alınmıştır.

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
GARCH(1,1), normal: log-olabilirlik −1106,58658074 −1106,58658074 −1106,58658074 2,3e−15 ✓
GARCH(1,1), normal: AIC 2221,17316147 2221,17316147 2221,17316147 2,3e−15 ✓
GARCH(1,1), normal: SBC 2243,52443035 2243,52443035 2243,52443035 4,5e−15 ✓
GARCH(1,1), normal: son koşullu s.s. 0,33887442 0,33887442 0,33887442 5,6e−17 ✓
IGARCH, normal: log-olabilirlik −1112,54569605 −1112,54569605 −1112,54569605 1,8e−15 ✓
IGARCH, normal: AIC 2231,09139209 2231,09139209 2231,09139209 1,8e−15 ✓
IGARCH, normal: SBC 2247,85484375 2247,85484375 2247,85484375 1,8e−15 ✓
IGARCH, normal: son koşullu s.s. 0,341144 0,341144 0,341144 1,1e−16 ✓
GJR-GARCH, normal: log-olabilirlik −1106,08370585 −1106,08370585 −1106,08370585 2,7e−15 ✓
GJR-GARCH, normal: AIC 2222,16741169 2222,16741169 2222,16741169 1,8e−15 ✓
GJR-GARCH, normal: SBC 2250,10649779 2250,10649779 2250,10649779 4,0e−16 ✓
GJR-GARCH, normal: son koşullu s.s. 0,34193707 0,34193707 0,34193707 1,0e−15 ✓
TGARCH, normal: log-olabilirlik −1102,95116885 −1102,95167629 −1102,95167629 4,6e−7 ✓
TGARCH, normal: AIC 2215,9023377 2215,90335259 2215,90335259 4,6e−7 ✓
TGARCH, normal: SBC 2243,8414238 2243,84243869 2243,84243869 4,5e−7 ✓
TGARCH, normal: son koşullu s.s. 0,36824417 0,36824321 0,36824321 9,6e−7 ✓
APARCH, normal: log-olabilirlik −1101,82597176 −1101,82597176 −1101,82597176 2,7e−15 ✓
APARCH, normal: AIC 2215,65194353 2215,65194353 2215,65194353 4,5e−15 ✓
APARCH, normal: SBC 2249,17884685 2249,17884685 2249,17884685 4,4e−15 ✓
APARCH, normal: son koşullu s.s. 0,35887868 0,35887868 0,35887868 1,1e−15 ✓
EGARCH, normal: log-olabilirlik −1102,25798924 −1102,25798924 −1102,25798924 1,9e−15 ✓
EGARCH, normal: AIC 2214,51597849 2214,51597849 2214,51597849 1,8e−15 ✓
EGARCH, normal: SBC 2242,45506459 2242,45506459 2242,45506459 4,5e−15 ✓
EGARCH, normal: son koşullu s.s. 0,36789808 0,36789808 0,36789808 4,4e−16 ✓
NAGARCH, normal: log-olabilirlik −1105,14427996 −1105,14427996 −1105,14427996 2,6e−13 ✓
NAGARCH, normal: AIC 2220,28855991 2220,28855991 2220,28855991 2,6e−13 ✓
NAGARCH, normal: SBC 2248,22764601 2248,22764601 2248,22764601 2,5e−13 ✓
NAGARCH, normal: son koşullu s.s. 0,35188118 0,35188102 0,35188102 1,6e−7 ✓
TGARCH, Student t (örnek ayar): log-olabilirlik −985,25071611 −985,25037627 −985,25037627 3,4e−7 ✓
TGARCH, Student t (örnek ayar): AIC 1982,50143222 1982,50075254 1982,50075254 3,4e−7 ✓
TGARCH, Student t (örnek ayar): SBC 2016,02833554 2016,02765586 2016,02765586 3,4e−7 ✓
TGARCH, Student t (örnek ayar): son koşullu s.s. 0,37268206 0,37268036 0,37268036 1,7e−6 ✓
IGARCH, Student t: log-olabilirlik −989,73954669 −989,73954669 −989,73954669 1,3e−15 ✓
IGARCH, Student t: AIC 1987,47909338 1987,47909338 1987,47909338 5,0e−15 ✓
IGARCH, Student t: SBC 2009,83036226 2009,83036226 2009,83036226 1,1e−16 ✓
IGARCH, Student t: son koşullu s.s. 0,32873375 0,32873375 0,32873375 1,7e−16 ✓
GARCH-M (\sigma^2), normal: log-olabilirlik −1106,03953381 −1106,03953381 −1106,03953381 3,9e−15 ✓
GARCH-M (\sigma^2), normal: AIC 2222,07906763 2222,07906763 2222,07906763 6,1e−16 ✓
GARCH-M (\sigma^2), normal: SBC 2250,01815373 2250,01815373 2250,01815373 8,1e−16 ✓
GARCH-M (\sigma^2), normal: son koşullu s.s. 0,33917098 0,33917098 0,33917098 1,0e−15 ✓
GARCH(1,1), normal: Akaike (gözlem başına) 1,12521437 1,12521437 — 5,5e−15 ✓
GARCH(1,1), normal: Bayes (gözlem başına) 1,1365372 1,1365372 — 3,1e−15 ✓
GARCH(1,1), normal: Shibata (gözlem başına) 1,12520618 1,12520618 — 3,6e−15 ✓
GARCH(1,1), normal: Hannan-Quinn (gözlem başına) 1,12937463 1,12937463 — 2,0e−15 ✓
GARCH(1,1), normal: kalıcılık 0,95928629 0,95928629 — 1,1e−16 ✓
GARCH(1,1), normal: yarı ömür 16,67593248 16,67593248 — 1,7e−15 ✓
GARCH(1,1), normal: koşulsuz varyans 0,2642929 0,2642929 — 7,2e−16 ✓
GARCH(1,1), normal: Ljung–Box z (10) 10,12199768 10,12199768 10,12199768 8,8e−16 ✓
GARCH(1,1), normal: Ljung–Box z (10) p 0,42985605 0,42985605 0,42985605 2,0e−15 ✓
GARCH(1,1), normal: Ljung–Box z^2 (10) 9,05726077 9,05726077 9,05726077 2,4e−15 ✓
GARCH(1,1), normal: Ljung–Box z^2 (10) p 0,52667809 0,52667809 0,52667809 2,0e−15 ✓
GARCH(1,1), normal: işaret yanlılığı |t| 1,3191617 1,3191617 1,3191617 2,4e−14 ✓
GARCH(1,1), normal: işaret p 0,18726844 0,18726844 0,18726844 9,1e−15 ✓
GARCH(1,1), normal: negatif büyüklük |t| 0,24341142 0,24341142 0,24341142 1,2e−14 ✓
GARCH(1,1), normal: negatif p 0,80771205 0,80771205 0,80771205 9,0e−15 ✓
GARCH(1,1), normal: pozitif büyüklük |t| 0,66600079 0,66600079 0,66600079 5,1e−14 ✓
GARCH(1,1), normal: pozitif p 0,50548861 0,50548861 0,50548861 3,3e−14 ✓
GARCH(1,1), normal: ortak etki \chi^2(3) 2,87732616 2,87732616 2,87732616 3,7e−14 ✓
GARCH(1,1), normal: ortak etki p 0,41092833 0,41092833 0,41092833 1,7e−14 ✓
TGARCH, Student t (örnek ayar): Akaike (gözlem başına) 1,0043067 1,00430636 — 3,4e−7 ✓
TGARCH, Student t (örnek ayar): Bayes (gözlem başına) 1,02129095 1,02129061 — 3,4e−7 ✓
TGARCH, Student t (örnek ayar): Shibata (gözlem başına) 1,0042883 1,00428796 — 3,4e−7 ✓
TGARCH, Student t (örnek ayar): Hannan-Quinn (gözlem başına) 1,01054709 1,01054675 — 3,4e−7 ✓
TGARCH, Student t (örnek ayar): kalıcılık 0,98088892 0,98088892 — 2,0e−13 ✓
TGARCH, Student t (örnek ayar): yarı ömür 35,9216982 35,9216982 — 1,1e−11 ✓
TGARCH, Student t (örnek ayar): koşulsuz varyans 0,22963904 0,22963904 — 4,8e−12 ✓
TGARCH, Student t (örnek ayar): Ljung–Box z (10) 10,84121313 10,84122552 10,84122552 1,1e−6 ✓
TGARCH, Student t (örnek ayar): Ljung–Box z (10) p 0,37002214 0,37002115 0,37002115 9,9e−7 ✓
TGARCH, Student t (örnek ayar): Ljung–Box z^2 (10) 20,58918501 20,58875338 20,58875338 2,1e−5 ✓
TGARCH, Student t (örnek ayar): Ljung–Box z^2 (10) p 0,0241475 0,02415091 0,02415091 3,4e−6 ✓
TGARCH, Student t (örnek ayar): işaret yanlılığı |t| 1,3845943 1,38459508 1,38459508 5,7e−7 ✓
TGARCH, Student t (örnek ayar): işaret p 0,16633343 0,16633319 0,16633319 2,4e−7 ✓
TGARCH, Student t (örnek ayar): negatif büyüklük |t| 0,23364071 0,23367686 0,23367686 3,6e−5 ✓
TGARCH, Student t (örnek ayar): negatif p 0,81528821 0,81526015 0,81526015 2,8e−5 ✓
TGARCH, Student t (örnek ayar): pozitif büyüklük |t| 1,42806911 1,42803309 1,42803309 2,5e−5 ✓
TGARCH, Student t (örnek ayar): pozitif p 0,15343056 0,15344092 0,15344092 1,0e−5 ✓
TGARCH, Student t (örnek ayar): ortak etki \chi^2(3) 2,67491638 2,6748343 2,6748343 3,1e−5 ✓
TGARCH, Student t (örnek ayar): ortak etki p 0,44450684 0,4445209 0,4445209 1,4e−5 ✓
GJR-GARCH, normal: kalıcılık 0,95630122 0,95630122 — 2,9e−12 ✓
GJR-GARCH, normal: yarı ömür 15,51277906 15,51277906 — 6,8e−11 ✓
EGARCH, normal: kalıcılık 0,91249319 0,91249319 — 0 ✓
EGARCH, normal: yarı ömür 7,56920329 7,56920329 — 2,0e−15 ✓
GJR-GARCH, normal: koşulsuz varyans 0,25701637 0,25701637 — 1,7e−11 ✓
APARCH, normal: kalıcılık 0,94311721 0,94311721 — 1,5e−9 ✓
APARCH, normal: yarı ömür 11,83557692 11,83557725 — 2,8e−8 ✓
APARCH, normal: koşulsuz varyans 0,26693031 0,26693032 — 1,1e−8 ✓
NAGARCH, normal: kalıcılık 0,95597276 0,95597276 — 6,7e−16 ✓
NAGARCH, normal: yarı ömür 15,39442439 15,39442439 — 7,2e−15 ✓
NAGARCH, normal: koşulsuz varyans 0,26079684 0,26079684 — 1,8e−15 ✓

Ölçütü karşılayan: 89/89. Bu tablodaki log-olabilirlik, bilgi ölçütü, koşullu standart sapma, tanı testi ve kalıcılık değerleri şablonun kestirdiği parametrelerde bağımsız olarak yeniden hesaplanmıştır. TGARCH satırlarında ölçüt 10^{-4}'tür: rugarch'ın eşikli modelde başlangıç standart sapması ortalama mutlak artıktan 5\cdot10^{-5} göreli farklıdır ve bu fark (log-olabilirlikte 5\cdot10^{-7} göreli) bağımsız olarak yeniden üretilememiştir; etkisi \beta^t ile söner.

Kestirimin bağımsız yinelenmesi (parametreler sıfırdan en iyilenmiş; ölçüt 5\cdot10^{-4}, 1'den küçük değerlerde mutlak):

Parametre MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
GARCH(1,1) normal: mu −0,0061845 −0,00618442 −0,00618441 8,6e−8 ✓
GARCH(1,1) normal: omega 0,01076035 0,01076027 0,01076027 7,5e−8 ✓
GARCH(1,1) normal: alpha1 0,15340759 0,15340743 0,15340744 1,6e−7 ✓
GARCH(1,1) normal: beta1 0,80587869 0,80587921 0,80587921 5,2e−7 ✓
TGARCH Student t: mu −3,748547·10−4 −3,762072·10−4 — 1,4e−6 ✓
TGARCH Student t: omega 0,00915816 0,00915816 — 1,2e−9 ✓
TGARCH Student t: alpha1 0,13433494 0,13433492 — 1,7e−8 ✓
TGARCH Student t: beta1 0,88521465 0,88521515 — 4,9e−7 ✓
TGARCH Student t: eta11 0,17010367 0,17010902 — 5,4e−6 ✓
TGARCH Student t: shape 4,1342559 4,13428516 — 7,1e−6 ✓

Ölçütü karşılayan: 10/10.

Yayımlı ölçüt değerleri (Bollerslev ve Ghysels, 1996, DM/£ verisi; Brooks ve ark., 2001; EGARCH için rugarch ugarchbench 'published'):

Büyüklük MerQuR+ Yayımlı Göreli fark Ölçüt
GARCH(1,1) mu −0,0061845 −0,00619041 9,6e−4 2,5e−3 ✓
GARCH(1,1) omega 0,01076035 0,0107613 8,9e−5 2,5e−3 ✓
GARCH(1,1) alpha1 0,15340759 0,153134 1,8e−3 2,5e−3 ✓
GARCH(1,1) beta1 0,80587869 0,805974 1,2e−4 2,5e−3 ✓
GARCH(1,1) SH(mu) 0,00846161 0,00846212 6,0e−5 3,0e−3 ✓
GARCH(1,1) SH(omega) 0,00285305 0,00285271 1,2e−4 3,0e−3 ✓
GARCH(1,1) SH(alpha1) 0,02658147 0,0265228 2,2e−3 3,0e−3 ✓
GARCH(1,1) SH(beta1) 0,03356715 0,0335527 4,3e−4 3,0e−3 ✓
EGARCH(1,1) mu −0,01160914 −0,01167873 6,0e−3 7,0e−3 ✓
EGARCH(1,1) omega −0,12662312 −0,12633934 2,2e−3 7,0e−3 ✓
EGARCH(1,1) alpha1 −0,03845663 −0,03845788 3,3e−5 7,0e−3 ✓
EGARCH(1,1) beta1 0,91249319 0,91265374 1,8e−4 7,0e−3 ✓
EGARCH(1,1) gamma1 0,33279283 0,33305593 7,9e−4 7,0e−3 ✓

Yayımlı değerlerle uyuşan: 13/13.

102.7 Çıktıyı okuma

Örnek ayarın konsol metni:

n = 1974 gözlem; ortalama ARMA(0,0) + sabit; varyans TGARCH(1,1); Student t dağılım; log-olabilirlik = -985,2507, 6 parametre.

Tablolar (kısaltılmış; ondalık nokta olduğu gibi):

Katsayılar (SH: Hessian)
 parametre  kestirim       SH          z          p
 mu        -0.000374855   0.00678037  -0.0552853  0.955911
 omega      0.00915816    0.00355623   2.57524    0.010017
 alpha1     0.134335      0.0235851    5.69576    1.22826e-08
 beta1      0.885215      0.0216643    40.8606    0
 eta11      0.170104      0.0777793    2.187      0.0287422
 shape      4.13426       0.397782     10.3933    0

Model uyumu
 logLik -985.251  Akaike 1.00431  Bayes 1.02129  Shibata 1.00429  Hannan-Quinn 1.01055
 AIC 1982.5  SBC 2016.03  k 6  n 1974  kalicilik 0.980889  yari_omur 35.9217  kosulsuz_varyans 0.229639

Tanı testleri (Ljung–Box gecikme 10; işaret yanlılığı: Engle–Ng)
 Ljung–Box: standartlaştırılmış artık            10.8412  sd 10  p 0.370022
 Ljung–Box: standartlaştırılmış artık karesi     20.5892  sd 10  p 0.0241475
 İşaret yanlılığı       1.38459   p 0.166333
 Negatif büyüklük       0.233641  p 0.815288
 Pozitif büyüklük       1.42807   p 0.153431
 Ortak etki             2.67492   sd 3  p 0.444507

Varyans modellerinin karşılaştırması (Student t; gözlem başına ölçütler)
 model       logLik    k  Akaike   Bayes    Shibata  Hannan-Quinn
 GARCH      -989.83    5  1.00793  1.02209  1.00792  1.01313
 IGARCH     -989.74    4  1.00683  1.01815  1.00682  1.01099
 GJR-GARCH  -988.741   6  1.00784  1.02483  1.00782  1.01408
 TGARCH     -985.251   6  1.00431  1.02129  1.00429  1.01055
 APARCH     -984.762   7  1.00482  1.02464  1.0048   1.01211
 EGARCH     -986.091   6  1.00516  1.02214  1.00514  1.0114
 NAGARCH    -988.389   6  1.00749  1.02447  1.00747  1.01373
Öğe Ne yazar Nasıl yorumlanır
Katsayılar (Hessian) \hat\mu, \hat\omega, \hat\alpha, \hat\beta, asimetri (\hat\gamma ya da \hat\eta), shape, garch_m, mxreg \alpha+\beta yakın 1 ise şoklar kalıcıdır. Örnekte TGARCH \hat\eta=0{,}170 (p=0{,}029): negatif şoklar daha çok oynaklık yaratır.
Katsayılar (sağlam sandviç SH) Aynı katsayılar, Bollerslev–Wooldridge SH Hessian ve sandviç SH çok farklıysa model yanlış belirtilmiş olabilir; örnekte \hat\omega için 0{,}0036 ve 0{,}0044.
Model uyumu Log-olabilirlik, gözlem başına ölçütler, toplam AIC/SBC, k, n, kalıcılık, yarı ömür, koşulsuz varyans Kalıcılık 1'e yakınsa yarı ömür çok uzar; P\ge1 ise koşulsuz varyans tanımsızdır.
Tanı testleri Ljung–Box (z ve z^2), işaret yanlılığı Küçük p model yetersizliğidir. Örnekte z^2 için p=0{,}024: kalan ARCH etkisi sınırdadır.
Karşılaştırma Yedi model için log-olabilirlik ve ölçüt Ölçütler çelişebilir: Akaike ve Hannan–Quinn TGARCH'ı, Bayes IGARCH'ı (en az parametre) seçer.
Koşullu s.s. ve varyans Her gözlem için \hat\sigma_t, \hat\sigma_t^2, standartlaştırılmış artık Dış kullanım ve şekil içindir.

Şekil 102.1. Şablonun çizdiği koşullu oynaklık grafiği (örnek veri): üstte getiri ve \pm2\hat\sigma_t bandı, altta koşullu standart sapma. Oynaklık belirli dönemlerde kümelenir.

Şekil 102.2. Haber etkisi eğrisi (TGARCH): sol kol sağ koldan dik; negatif şok pozitif şoktan daha çok varyans üretir.

GARCH-M örneği (garch_m = ss, AR(1), normal): \hat\lambda=-0{,}0623 (SH 0{,}0770, p=0{,}418), \hat\phi_1=0{,}0504 (p=0{,}049); risk primi anlamlı değildir. garch_m = varyans (AR(0)): \hat\lambda=-0{,}0767 (p=0{,}297).

Dışsal açıklayıcı örneği (dissal = [pazartesi]): katsayı pazartesi adıyla yazılır (0{,}0243, SH 0{,}0197, p=0{,}217): Pazartesi etkisi yoktur. Birden çok açıklayıcıda her katsayı kendi sütun adını taşır.

Rapor cümlesi (örnek ayar):

Alman markı/İngiliz sterlini günlük getirisine (n=1974) Student t yenilikli TGARCH(1,1) uydurulmuştur (\hat\omega=0{,}0092, \hat\alpha=0{,}134, \hat\beta=0{,}885, \hat\eta=0{,}170, \hat\nu=4{,}13). Kalıcılık 0{,}981 ve yarı ömür 36 gündür. Standartlaştırılmış artıklarda Ljung–Box(10) (p=0{,}370) ve işaret yanlılığı testleri (p>0{,}15) anlamlı değildir; artık karelerinde Ljung–Box(10) p=0{,}024'tür. Yedi varyans modeli arasında Akaike ölçütüyle TGARCH (1{,}0043), Bayes ölçütüyle IGARCH (1{,}0182) seçilmiştir.

102.8 Sık hatalar ve tuzaklar

  • Fiyat düzeyini getiri sanmak. Fiyat serisi (örnekte 100 + kümülatif toplam) kestirilir ve log-olabilirlik anlamsız çıkar (-5780{,}09); şablon bu durumda serinin birinci derece otokorelasyonunu (0{,}999) bildiren bir uyarı yazar (149–150). Getiriyi (yüzde ya da log fark) kendiniz üretin.
  • Zaman sırası. Sütun yalnız etikettir ve sıralama yapılmaz; ama değerleri azalan sıradaysa şablon uyarı yazar (151–158; örnekte ters sıra: log-olabilirlik -1078{,}76, doğru sırada -1106{,}59). Kronolojik sıra kullanıcıdadır.
  • Ortada eksik değer. Şablon durur ("Serinin ortasında eksik değer var"). Baştaki eksikler kırpılır (örnekte ilk 10 gözlem eksikken n=1964 ile çalışır) ve bu kırpma ayrıca bildirilmez.
  • Kalıcılık ve IGARCH. \hat\alpha+\hat\beta 1'e çok yakınsa ya da 1'i aşıyorsa standart GARCH'ta kısıt devreye girer ve kalıcılık sınırda kalır; IGARCH'ta kalıcılık zaten 1'dir. Bu durum genellikle yapısal kırılmaya ya da uzun belleğe işaret eder.
  • Asimetri parametrelerini karşılaştırmak. GJR, TGARCH, APARCH, EGARCH ve NAGARCH'ın asimetri katsayıları farklı ölçeklerdedir (102.4.3); değerler karşılaştırılmaz, ölçütler karşılaştırılır.
  • Ölçütler çelişebilir. Bayes ölçütü az parametreli (IGARCH) modeli, Akaike ve Hannan–Quinn TGARCH'ı seçti; seçim amaca (tahmin ya da yorum) göre yapılır.
  • Dışsal açıklayıcı adı. Katsayılar sütun adlarıyla yazılır; rugarch'ın içte kullandığı mxreg1, mxreg2 adları seçim sırasına göre sütun adlarına çevrilir.
  • GARCH-M'de başlangıç. Ortalama ve varyans birlikte kestirildiğinden yakınsama ortalamasız modelden daha duyarlıdır; \hat\lambda ve \hat\mu güçlü ilişkilidir.
  • Çözücü ve süre. Kimi model–dağılım bileşimlerinde (örneğin eşikli modeller ve GED ya da çarpık dağılımlar) çözücü ilerlemeyebilir; şablon 240 s sonra durur. karsilastir açıkken her ek model 45 s ile sınırlıdır ve kestirilemeyen satırlar boş kalır.
  • nlminb ve lbfgs. tol ve delta yalnız solnp ve hybrid çözücüsüne geçirilir (187); nlminb ve lbfgs seçildiğinde bu denetimler iletilmez ve "unrecognized control elements" uyarısı çıkmaz. Örnek veride APARCH için dört çözücü de aynı log-olabilirliği (-1101{,}8260) verir; lbfgs ise örnek ayarı (TGARCH, Student t) "Model yakınsamadı" iletisiyle bırakır.
  • Yakınsama denetimi sınırlıdır. Şablonun tek denetimi yakınsama koduyla SH matrisinin varlığıdır; çözücünün düz bir bölgede durup durmadığı (özellikle APARCH'ta \delta ve \omega yönünde) ayrıca denetlenmez. Farklı çözücüyle ve daha küçük tol/delta ile yeniden çalıştırmak iyi bir kontroldür.
  • Ölçek. Çok küçük (ör. 10^{-3}) ya da çok büyük ölçekli getirilerde \hat\omega çok küçük ya da büyük olur ve çözücü zorlanabilir; yüzde ölçeğine (×100) getirmek yaygın bir önlemdir.

102.9 Uzman soruları

S1. Başlangıç varyansı neden örneklem ortalaması?

rugarch varyans özyinelemesini \sigma_1^2=\overline{\hat\varepsilon^2} ile başlatır (geri tahmin). Bu, ilk gözlemin kendi geçmişi olmadığı için en tarafsız başlangıçtır ve sonuçlar yayımlı ölçütlerle 2{,}5\cdot10^{-3} göreli içinde uyuşur; ölçüt hesapları başka bir başlangıç kullandığından (örneğin koşulsuz varyans) altıncı basamakta fark beklenir. Etkisi \beta^t ile söner; \hat\beta\approx0{,}8 için 50 gözlemde ihmal edilebilir. Bağımsız hesap, bu başlangıçlarla TGARCH dışındaki altı modelin log-olabilirliğini altı basamak, TGARCH'ınkini 5\cdot10^{-7} göreli içinde yeniden üretir.

S2. TGARCH neden standart sapma üzerinde, GJR varyans üzerinde?

Zakoian'ın (1994) eşikli modeli \sigma_t'yi doğrusal olarak |\varepsilon| ve \varepsilon ile ilişkilendirir; Glosten ve ark.'nın (1993) modeli \sigma_t^2'yi \varepsilon^2 ile. İkisi de kaldıraç etkisini yakalar ama ölçekleri farklıdır: TGARCH \sigma cinsinden olduğu için kalıcılık \beta+\alpha E|z| olur (örnekte 0{,}981), GJR'de \alpha+\beta+\gamma/2. Örnek veride (Student t ile) TGARCH log-olabilirliği (-985{,}25) GJR'inkinden (-988{,}74) iyidir, ama ölçütler yalnız dağılımla birlikte yorumlanır.

S3. Student t yenilik neden bu kadar log-olabilirlik kazandırıyor?

Normal GARCH(1,1) için \ell=-1106{,}59, Student t ile GARCH(1,1) için -989{,}83'tür (karşılaştırma tablosu): \nu\approx4 serbestlik derecesi kalın kuyrukları açıklar. Kazanç yenilik dağılımından gelir (\hat\nu=4{,}13, SH 0{,}40 TGARCH'ta), varyans denkleminin biçiminden değil; IGARCH Student t ile -989{,}74 bile normalinkinin (-1112{,}55) çok üstündedir. Karşılaştırma tablosu bu nedenle aynı dağılımla yapılır.

S4. Hessian ve sandviç SH neden bu kadar farklı?

Hessian SH, modelin doğru belirtildiğini varsayar; sağlam sandviç (Bollerslev ve Wooldridge, 1992) yenilik dağılımı yanlış belirtilmiş olsa da tutarlıdır. Örnekte \hat\omega için 0{,}0036 ve 0{,}0044, \hat\alpha için 0{,}0236 ve 0{,}0284 yakındır; normal GARCH'ta ise \hat\alpha için 0{,}0266 ve 0{,}0494 yaklaşık iki kat farklıdır: normal dağılım kalın kuyruklara yanlış belirtilmiştir. Büyük fark dağılımın değiştirilmesi gereken bir işaret olabilir.

S5. Kalıcılık 1'e yakın ve yarı ömür 36 gün; ne anlama gelir?

Bir şokun etkisinin yarısı 36 günde söner (örnekte). P<1 olduğundan koşulsuz varyans vardır (0{,}2296), ama P 1'e yaklaştıkça uzun dönem tahmin çok yavaş yakınsar. P\ge1 (IGARCH) ise koşulsuz varyans yoktur. Ayrıca P yapısal kırılma ya da uzun bellek tarafından şişirilebilir.

S6. Ljung–Box'ta serbestlik derecesi neden \min(m+n,L-1) ile azaltılıyor?

\hat z_t üzerindeki testte ARMA katsayıları kestirildiğinden serbestlik derecesi m+n kadar azalır; z^2 için böyle bir düzeltme yoktur (f=0). Düzeltme L-1 ile sınırlıdır; L-1\le m+n ise serbestlik derecesi 1 olur. Örnekte ARMA(0,0) olduğundan düzeltme 0'dır.

S7. İşaret yanlılığı testi neden |t| veriyor?

rugarch signbias, regresyon t değerlerinin mutlak değerini döndürür; işaret kaybolur. İşaret için katsayıya bakmak gerekir: negatif büyüklük yanlılığı b_2 negatifse negatif şoklar varyansı artırıyordur. Joint test (\chi^2_3) yönden bağımsızdır. Örnekte hiçbiri anlamlı değildir (p>0{,}15); TGARCH'ın asimetri terimi zaten modelde olduğundan bu beklenir.

S8. APARCH'ta \delta ve \omega neden zor kestiriliyor?

Olabilirlik yüzeyi \delta ve \omega yönünde düzdür (\delta için SH 0{,}21 ve \hat\delta=1{,}29); küçük örneklemde (n\approx2000) farklı çözücüler farklı (\omega,\delta) çiftlerinde durabilir ve log-olabilirlik neredeyse aynı kalır. Örnek veride (normal dağılım) APARCH log-olabilirliği -1101{,}83 (k=6), TGARCH'ınki -1102{,}95 (k=5); toplam AIC APARCH'ı (2215{,}65 ve 2215{,}90), toplam SBC TGARCH'ı (2249{,}18 ve 2243{,}84) seçer.

102.10 Kaynaklar

  • Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327. https://doi.org/10.1016/0304-4076(86)90063-1
  • Bollerslev, T., & Ghysels, E. (1996). Periodic autoregressive conditional heteroscedasticity. Journal of Business & Economic Statistics, 14(2), 139–151. https://doi.org/10.1080/07350015.1996.10524640
  • Bollerslev, T., & Wooldridge, J. M. (1992). Quasi-maximum likelihood estimation and inference in dynamic models with time-varying covariances. Econometric Reviews, 11(2), 143–172. https://doi.org/10.1080/07474939208800229
  • Brooks, C., Burke, S. P., & Persand, G. (2001). Benchmarks and the accuracy of GARCH model estimation. International Journal of Forecasting, 17(1), 45–56. https://doi.org/10.1016/S0169-2070(00)00070-4
  • Ding, Z., Granger, C. W. J., & Engle, R. F. (1993). A long memory property of stock market returns and a new model. Journal of Empirical Finance, 1(1), 83–106. https://doi.org/10.1016/0927-5398(93)90006-D
  • Engle, R. F., & Bollerslev, T. (1986). Modelling the persistence of conditional variances. Econometric Reviews, 5(1), 1–50. https://doi.org/10.1080/07474938608800095
  • Engle, R. F., Lilien, D. M., & Robins, R. P. (1987). Estimating time varying risk premia in the term structure: The ARCH-M model. Econometrica, 55(2), 391–407. https://doi.org/10.2307/1913242
  • Engle, R. F., & Ng, V. K. (1993). Measuring and testing the impact of news on volatility. The Journal of Finance, 48(5), 1749–1778. https://doi.org/10.1111/j.1540-6261.1993.tb05127.x
  • Fernández, C., & Steel, M. F. J. (1998). On Bayesian modeling of fat tails and skewness. Journal of the American Statistical Association, 93(441), 359–371. https://doi.org/10.1080/01621459.1998.10474117
  • Galanos, A. (2026). rugarch: Univariate GARCH models (R package version 1.5-6). https://CRAN.R-project.org/package=rugarch
  • Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. The Journal of Finance, 48(5), 1779–1801. https://doi.org/10.1111/j.1540-6261.1993.tb05128.x
  • Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303. https://doi.org/10.1093/biomet/65.2.297
  • Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. https://doi.org/10.2307/2938260
  • Zakoian, J.-M. (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and Control, 18(5), 931–955. https://doi.org/10.1016/0165-1889(94)90039-6