161. GARCH Genişletmesi (IGARCH, APARCH, NAGARCH, GARCH-M ve Yeni Hata Dağılımları)
Analiz kimliği: garch (genişletilmiş seçenekler) · Menü adı: GARCH (Oynaklık Modeli) · Panel: gui/panels/analyses/garch_panel.py · Motor: stats/garch.py; model tanımı GarchSpec (96–133); varyans özyinelemeleri variance (421–465), _ap_variance (468–487), _nagarch_variance (490–509); dağılımlar _logpdf (240–248), _skew_consts (231–237); kalıcılık _persistence (734–750); APARCH kalıcılık sabiti _kappa_ap (343–352)
Bu bölüm, 144. bölümde anlatılan GARCH modeline eklenen seçenekleri anlatır. sGARCH, eGARCH, gjrGARCH, ortalama denklemi, normal ve Student-t dağılım, tanılar ve öngörü 144'tedir; burada yalnız yeni model ve dağılım seçenekleri vardır.
161.1 Ne işe yarar
Finansal getirilerde dalgalanma kümelenir, negatif şoklar pozitiflerden daha çok oynaklık yaratır ve dağılımlar kalın kuyrukludur. Yeni seçenekler bu özellikleri daha esnek yakalar:
- IGARCH: kalıcılığın tam 1 olduğu model; şoklar kalıcıdır.
- APARCH: oynaklığı \delta kuvvetinde modeller ve asimetriyi \gamma ile verir.
- NAGARCH: asimetriyi \eta ile "haber etkisi eğrisini" kaydırarak modeller.
- GARCH-M: koşullu oynaklığı (ya da varyansı) ortalama denklemine katar (risk primi).
- GED, çarpık Student-t (sstd), çarpık GED (sged): yeni hata dağılımları.
- \lambda\sigma_t^{k}: GARCH-M terimi; k=1 (oynaklık, "sd") ya da k=2 (varyans, "var"); yoksa 0.
- D: normal, Student-t, GED, çarpık Student-t ya da çarpık GED (birim varyanslı, sıfır ortalamalı standartlaştırılmış).
Ne zaman kullanılır? Kalıcılığın birliğe çok yakın olduğu serilerde (IGARCH), olumsuz haberin etkisinin farklı biçimde tanımlanması istendiğinde (APARCH, NAGARCH), beklenen getirinin riske bağlı olduğu sınanacaksa (GARCH-M), getiri dağılımı çarpık ya da çok kalın kuyruklu ise (sstd, sged).
Ne zaman kullanılmaz?
- Çok değişkenli oynaklık (birden çok seri) için: Volatilite Yayılımı (151).
- Riski doğrudan sayısal olarak sınamak için: VaR ve ES (157) GARCH tabanlı yöntemi içerir.
- Çok kısa seride (n<500 civarı): kalıcılık ve şekil parametreleri güvenilir kestirilmez.
Sık karıştırılan analizler. gjrGARCH ve eGARCH de asimetriyi yakalar; APARCH ve NAGARCH bunların farklı parametreleştirmeleridir.
161.2 Varsayımlar ve veri türü
Varsayımlar 144'teki gibidir. Ek olarak: IGARCH'ta son \beta kestirilmez (\beta=1-\sum\alpha- kalan \beta); APARCH'ta \delta>0; Student-t ve çarpık Student-t için \nu>2 (sonlu varyans); APARCH kalıcılığı için \nu>\delta gerekir (aksi halde moment yok ve kalıcılık sonsuz sayılır). Çarpık dağılımlar yalnız ortalamanın sıfır ve varyansın 1 olduğu standartlaştırılmış biçimde kullanılır.
161.3 Parametreler
Yeni seçenekler garch_panel.py ve GarchSpec (stats/garch.py:96–133) üzerindendir.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Model | sGARCH | sGARCH, eGARCH, gjrGARCH, iGARCH, apARCH, NAGARCH. | Varyans denklemi. |
| Hata dağılımı | Normal | Normal, Student-t, GED, sstd, sged. | Olabilirlik; kuyruk ve çarpıklık parametreleri. |
| Ortalamada GARCH (GARCH-M) | Yok | Yok, \sigma_t ("sd"), \sigma_t^2 ("var"). | Ortalama denklemine \lambda eklenir. |
| q, p | 1, 1 | ARCH ve GARCH derecesi. | — |
| Ortalama | Sabit | Sabit ya da ARMA. | — |
Kestirilen parametre adları modele göre: mu, ar$i$, ma$i$, archm, omega, alpha$i$, beta$i$, gamma$i$ (eGARCH, gjrGARCH, apARCH), eta2$i$ (NAGARCH), delta (apARCH), skew (sstd, sged), shape (Student-t, GED, sstd, sged).
161.4 Veri örneği
Tıp veri setinde finansal getiri bulunmadığından, Bollerslev ve Ghysels (1996) DM/£ döviz kuru getirileri kullanılır (dmbp, n=1974; MerQur test klasöründe tests/data/cokts_dmbp.csv; R rugarch paketindeki aynı veri). Soru: oynaklık asimetrik mi ve kalıcılığı ne kadar? Ayarlar: APARCH(1,1), Student-t, sabit ortalama; karşılaştırma için IGARCH, NAGARCH ve sGARCH-sstd de çalıştırılır.
161.5 Formüller ve hesap adımları
161.5.1 Varyans denklemleri
- \gamma_i (APARCH): \gamma>0 negatif şokların etkisini artırır; \delta=2 karesel biçimdir.
- \eta_i (NAGARCH,
eta2): haber etkisi eğrisinin simetri eksenini kaydırır. - Örneklem öncesi başlangıç: APARCH'ta \sigma^\delta=\overline{|\varepsilon|^\delta}; öteki modellerde \sigma^2=\overline{\varepsilon^2}.
APARCH'ta \sigma_t^\delta gecikmiş \varepsilon'lar verili olduğundan doğrusal bir süzgeçtir; bu yüzden hızlı hesaplanır (_ap_variance).
161.5.2 GARCH-M
Ortalama denklemi x_t=\mu+\lambda\sigma_t^k+\mathrm{ARMA}+\varepsilon_t; \varepsilon_t ve \sigma_t aynı adımda özyinelemeyle bulunur (Engle, Lilien ve Robins, 1987).
161.5.3 Hata dağılımları
GED (standartlaştırılmış, şekil \nu): \lambda_\nu=\sqrt{2^{-2/\nu}\,\Gamma(1/\nu)/\Gamma(3/\nu)} ve f(z)=\dfrac{\nu}{\lambda_\nu2^{1+1/\nu}\Gamma(1/\nu)}\exp\!\big(-\tfrac12|z/\lambda_\nu|^\nu\big).
Çarpık dağılımlar (Fernández ve Steel, 1998). Simetrik taban f_0 (Student-t ya da GED) ve çarpıklık \xi>0:
\xi=1 simetriktir. Bu tanım rugarch dsstd/dsged ile aynıdır.
161.5.4 Kalıcılık
- IGARCH: tam 1.
- APARCH: \sum\beta_j+\sum\alpha_i\,\kappa_i, \kappa_i=E\big[(|z|-\gamma_iz)^{\delta}\big] (simetrik dağılımda \tfrac12\big[(1-\gamma)^\delta+(1+\gamma)^\delta\big]E|z|^\delta).
- NAGARCH: \sum\beta_j+\sum\alpha_i(1+\eta_i^2).
- gjrGARCH: \sum\alpha+\sum\beta+E[z^2\mathbb 1(z<0)]\sum\gamma (simetrik dağılımda yarı).
Neden APARCH kalıcılığında \kappa?
\sigma^\delta üzerindeki özyineleme doğrusal olduğundan kalıcılık, \sigma_t^\delta'nın beklenen büyümesidir: \beta+\alpha E[(|z|-\gamma z)^\delta]. \delta=2, \gamma=0 iken sGARCH'a (\alpha+\beta) indirgenir.
Koddaki tercih: çözücü ve doğrulama
Kestirim SLSQP ile (ölçekli yeniden başlatmalarla) yapılır; R rugarch hibrit solnp kullanır. İki çözücü aynı olabilirlik yüzeyinde çalışır, katsayılar çoğunlukla 4 ondalıkta eşleşir. NAGARCH'ta rugarch'ın kendi Hessian'ı kararsızdır (ω, α, β, η standart hataları 3–8 kat küçük); bu motorda Hessian adım çarpanı 0,1–10 aralığında kararlıdır ve bağımsız hesapla doğrulanmıştır (tests/test_v280_garch_genisletme.py). Bilgi ölçütleri n'ye bölünmüştür (rugarch tanımı).
161.6 Elle hesap
Bağımsız numpy betiği (dogrulama/cilt9/garch_gen.py). DM/£, n=1974.
Adım 1 — APARCH(1,1)–Student-t kestirimi. \hat\mu=0{,}00029, \hat\omega=0{,}006507, \hat\alpha=0{,}135248, \hat\beta=0{,}886024, \hat\gamma=0{,}139330, \hat\delta=1{,}240606, \hat\nu=4{,}1351.
Adım 2 — Varyans özyinelemesi. \sigma_0^\delta=\overline{|\varepsilon|^{\delta}}, \sigma_t^\delta=\omega+\alpha(|\varepsilon_{t-1}|-\gamma\varepsilon_{t-1})^\delta+\beta\sigma_{t-1}^\delta, \sigma_t^2=(\sigma_t^\delta)^{2/\delta}.
Adım 3 — Log-olabilirlik. Standartlaştırılmış Student-t ile \ell=\sum\big[\ln f(z_t)-\tfrac12\ln\sigma_t^2\big]=-984{,}7618.
Adım 4 — Kalıcılık. \kappa=E[(|z|-\gamma z)^\delta]=0{,}73452 (sayısal integral); kalıcılık =\beta+\alpha\kappa=0{,}98537.
Adım 5 — Çarpık dağılım. \xi=1{,}2, \nu=5: m_1=0{,}73511, \mu_s=0{,}26954, \sigma_s=1{,}03043; sayısal integralle \int f=1, E[z]=0, E[z^2]\approx1.
161.6.1 Doğrulama: MerQur, Python ve R
| Büyüklük | MerQur | Bağımsız Python | R (rugarch ugarchfit) |
Sonuç |
|---|---|---|---|---|
| APARCH–t: \ell | −984,7618 | −984,761842 | −984,7618 | ✓ |
| APARCH–t: \omega,\alpha,\beta,\gamma,\delta,\nu | 0,00651; 0,13525; 0,88602; 0,13933; 1,24061; 4,13508 | — | 0,00651; 0,13524; 0,88603; 0,13934; 1,24061; 4,13503 | ✓ (4 ondalık) |
| APARCH kalıcılık | 0,9854 | 0,985367 | 0,98537 | ✓ |
| APARCH–GED: \ell | −999,2738 | — | −999,2738 | ✓ |
| IGARCH–t: \ell | −989,7395 | — | −989,7395 | ✓ |
| NAGARCH–t: \ell | −988,3887 | — | −988,3886 | ✓ |
| sGARCH–sstd: \ell, skew, shape | −985,3890; 0,9131; 4,41648 | — | −985,3890; 0,9131; 4,41645 | ✓ |
R sayıları, MerQur test takımındaki sabitlenmiş rugarch 1.5-6 değerleridir (tests/data/garch_gen_ref.json; ugarchfit ve ugarchfilter; R 4.5.3). Test takımı ayrıca sabit parametrelerde koşullu sigma dizisi ve log-olabilirliği 10^{-9} göreli toleransla sınar. Bu çalışmada R yeniden çalıştırılmamıştır.
161.7 Çıktıyı okuma
Model : APARCH(1,1) — Sabit, Student-t
KATSAYILAR (en çok olabilirlik)
Parametre Kestirim SE z p Sağlam SE z p
alpha1 0.135248 0.025193 5.369 <.0001 0.031059 4.355 <.0001
gamma1 0.139330 0.076968 1.810 0.0703 0.073340 1.900 0.0575
delta 1.240606 0.253006 4.903 <.0001 0.242925 5.107 <.0001
shape 4.135083 0.398999 10.364 <.0001 0.424692 9.737 <.0001
UYUM ÖLÇÜTLERİ Log-olabilirlik -984.7618 AIC/n 1.004825
KALICILIK Kalıcılık 0.9854 Yarı ömür (dönem) 47.02 Koşulsuz varyans 0.270764
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Katsayılar | Kestirim, Hesse SE, sağlam SE. | Sağlam SE sandviç (Newey–West HAC). |
| \gamma | APARCH asimetri parametresi. | \gamma>0: negatif şok oynaklığı artırır. |
| \delta | Üs. | 2'den farklıysa karesel varsayım sorgulanır. |
| Kalıcılık, yarı ömür | Şokun sönme hızı. | 1'e yakın: uzun hafıza. |
| Tanı testleri | Ljung–Box (z, z^2), ARCH–LM, Jarque–Bera. | Artıklarda kalan yapı. |
Bu örnekte APARCH, \delta=1{,}24 ve kalıcılık 0{,}985 verir; \gamma sınırda anlamlıdır (p=0{,}057 sağlam SE ile). IGARCH (\ell=-989{,}74) ve NAGARCH (-988{,}39), APARCH'tan (-984{,}76) düşük olabilirlikli kalır; AIC/n APARCH için 1{,}0048'dir.
APARCH(1,1) (Student-t, sabit ortalama) modeli n=1974 gözleme en çok olabilirlikle uydurulmuştur: \hat\alpha=0{,}135, \hat\beta=0{,}886, \hat\gamma=0{,}139 (p=0{,}057), \hat\delta=1{,}241, kalıcılık =0{,}985, \ell=-984{,}76, AIC/n =1{,}005. Standartlaştırılmış artıkların karelerinde otokorelasyon kalmamıştır, Q(10)=17{,}94, p=0{,}056.
161.8 Uzman soruları
S1. IGARCH'ta \beta neden kestirilmiyor?
Kısıt \sum\alpha+\sum\beta=1 olduğundan son \beta, 1-\sum\alpha- kalan \beta'dır (çıktıda ayrı satır olarak yazılmaz). Koşulsuz varyans tanımsızdır.
S2. APARCH'ta \delta neden serbest?
Getirilerin mutlak değerinin otokorelasyonu karesi alınanınkinden genellikle daha yüksektir (Ding, Granger ve Engle, 1993); \delta bu üssü veriden öğrenir. \delta=2'de GJR benzeri karesel biçime yaklaşır.
S3. NAGARCH'ın \eta'sı ve GJR'nin \gamma'sı aynı şey mi?
Hayır. GJR negatif şokta ek katsayı ekler; NAGARCH haber etkisi eğrisini yatay kaydırır (\varepsilon-\eta\sigma). Kalıcılık formülleri de farklıdır.
S4. GARCH-M'de \lambda ne ifade eder?
Koşullu oynaklığın (ya da varyansın) ortalama getiriye etkisi, yani risk primidir. Ortalama denklemiyle varyans aynı adımda özyinelendiğinden kestirim daha yavaştır.
S5. Çarpık dağılımda \xi<1 ne demek?
Negatif tarafta daha fazla olasılık kütlesi (sola çarpıklık). Burada sGARCH–sstd için \hat\xi=0{,}913 hafif sola çarpıklık gösterir.
S6. R ile fark?
Çözücü farkı dışında tanımlar rugarch ile aynıdır. Katsayılar 4 ondalıkta eşleşir; NAGARCH'ta rugarch Hessian standart hataları sayısal olarak kararsız olduğundan MerQur'unkilerden farklı çıkabilir.
161.9 Sık hatalar ve tuzaklar
- IGARCH'ı kalıcılık 0,999 serisinde varsayımla seçmek. Önce sGARCH ile kalıcılığı görün.
- APARCH'ta \nu\le\delta. Kalıcılık ve koşulsuz varyans tanımsızdır.
- Çarpık dağılımı karşılaştırmadan seçmek. AIC ve olabilirlik oranıyla simetrik biçimle kıyaslayın.
- GARCH-M'de \lambda'yı nedensel risk primi saymak. Model belirtimine duyarlıdır.
- Bilgi ölçütlerini toplam sanmak. Çıktıdaki AIC/n, n'ye bölünmüştür.
161.10 Kaynaklar
- Engle, R. F., & Bollerslev, T. (1986). Modelling the persistence of conditional variances. Econometric Reviews, 5(1), 1–50. https://doi.org/10.1080/07474938608800095
- 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., & Ng, V. K. (1993). Measuring and testing the impact of news on volatility. Journal of Finance, 48(5), 1749–1778. https://doi.org/10.1111/j.1540-6261.1993.tb05127.x
- 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
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. https://doi.org/10.2307/2938260
- 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
- Hansen, B. E. (1994). Autoregressive conditional density estimation. International Economic Review, 35(3), 705–730. https://doi.org/10.2307/2527081
- 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