金融数据中最关心的除了资产价格、收益率, 就是资产波动率。资产波动率度量某项资产的风险, 有多种定义。 学习目标:
- 理解波动率特点;
- 学习ARCH、GARCH等波动率模型;
- 学习如何对波动率建模,如何应用波动率模型。
参考学习资料:
http://www.math.pku.edu.cn/teachers/lidf/course/fts/ftsnotes/html/_ftsnotes/fts-volamodintro.html
波动率是期权定价和资产分配的关键因素。波动率对计算风险管理中的VaR(风险值)有重要作用。一些波动率指数已经成为金融工具, 如CBOE(Chicargo Board of Option Exchange)比值的VIX波动率指数已经从2004-03-26开始成为期货产品。
波动率的数学模型已经提出多种,包括:
- (Engle 1982) 的ARCH模型(自回归条件异方差模型)
- (Bollerslev 1986) 的GARCH模型(广义自回归条件异方差模型)
- (Nelson 1991) 的EGARCH模型(指数GARCH模型)
- Glosten等(1993)和Zakoian(1994)提出的TGARCH(门限GARCH模型)
- Engle和Ng(1993)以及Duan(1995)提出的NGARCH模型(非对称GARCH)
- Melino和Turnbull(1990)、Taylor(1994)、Harvey等(1994)以及Jacquier等(1994) 分别提出的随机波动率(Stochastic Volatility, SV)模型
1 波动率的特征
这是原书(Tsay 2013)§4.1内容。
波动率(volatility)指的是资产价格的波动强弱程度, 类似于概率论中随机变量标准差的概念。波动率不能直接观测, 可以从资产收益率中看出波动率的一些特征。
- 存在波动率聚集(volatility clustering)
- 波动率随时间连续变化,一般不出现波动率的跳跃式变动
- 波动率一般在固定的范围内变化,意味着动态的波动率是平稳的
- 在资产价格大幅上扬和大幅下跌两种情形下, 波动率的反映不同, 大幅下跌时波动率一般也更大, 这种现象称为杠杆效应(leverage effect)
这些特征对波动率模型的提出、改进有重要意义, 许多新的波动率模型都是针对原有模型不能反映上面的某些特征而提出的。例如, EGARCH模型和TGARCH模型可以反映出波动率在价格上扬和下跌时的不对称性。
不同的波动率计算方法使用不同的数据源。例如, 对IBM股票有如下三种数据源:
- 每个交易日的日收益率;
- 伴随IBM股票的期权数据
- 盘中交易和报价的分笔数据;
分别可以计算如下三种不同的波动率:
- 作为日收益率的条件标准差(或条件方差),建模计算。
- 隐含波动率:根据期权的理论公式如BS公式, 从股票价格和期权价格数据反推出模型中的波动率, 这样的得到的波动率称为隐含波动率。隐含波动率倾向于比用日收益率建模得到的波动率数值要大。 例如CBOE的VIX指数。
- 实际波动率:利用一天内所有的收益率数据, 如每5分钟的收益率,估计一天收益率的条件标准差。
类似于利率, 度量波动率的时间区间一般为一年, 波动率一般是年化波动率。如果有了日收益率(条件标准差), 可以通过计算转换成年化的波动率。
2 波动率模型的结构
这是原书(Tsay 2013)§4.2内容。
以Intel公司股票从1973-1到2009-12的月度对数收益率为例, 有444个观测值。 读入数据:
rm(list = ls())
library(tidyverse) # Wickham的数据整理的整套工具
library(lubridate) # 日期和日期时间数据处理
library(quantmod) # 金融数据的整理与作图功能
library(xts)
d.intel <- read_table2(
"m-intcsp7309.txt",
col_types=cols(
.default=col_double(),
date=col_date("%Y%m%d")
))
knitr::kable(d.intel[1:10,])
查看前10行数据:
knitr::kable(d.intel[1:10,])
| date | intc | sp |
|---|---|---|
| 1973-01-31 | 0.010050 | -0.017111 |
| 1973-02-28 | -0.139303 | -0.037490 |
| 1973-03-30 | 0.069364 | -0.001433 |
| 1973-04-30 | 0.086486 | -0.040800 |
| 1973-05-31 | -0.104478 | -0.018884 |
| 1973-06-29 | 0.133333 | -0.006575 |
| 1973-07-31 | 0.625000 | 0.037982 |
| 1973-08-31 | 0.117647 | -0.036685 |
| 1973-09-28 | 0.234818 | 0.040096 |
| 1973-10-31 | 0.144262 | -0.090279 |
将其转换成对数收益率后保存成xts类型, 并将日期类型改为yearmon, 生成一个ts类型副本:
xts.intel <- xts(
log(1 + d.intel[["intc"]]), d.intel[["date"]]
)
indexClass(xts.intel) <- "yearmon"
ts.intel <- ts(c(coredata(xts.intel)), start=c(1973,1), frequency=12)
作Intel对数收益率的时间序列图:
plot(ts.intel, ylab="log return", main="Intel Stock Price Monthly Log Return")

作对数收益率序列的ACF图:
acf(ts.intel, main="ACF of log return")

作Ljung-Box白噪声检验:
> Box.test(ts.intel, lag=12, type="Ljung")
Box-Ljung test
data: ts.intel
X-squared = 18.676, df = 12, p-value = 0.09665
在0.05水平下通过了白噪声检验。
检验均值是否等于零:
> t.test(c(ts.intel))
One Sample t-test
data: c(ts.intel)
t = 2.3788, df = 443, p-value = 0.01779
alternative hypothesis: true mean is not equal to 0
95 percent confidence interval:
0.00249032 0.02616428
sample estimates:
mean of x
0.0143273
p值小于0.05, 可认为平均收益率显著大于0。
作其绝对值ACF:
acf(abs(ts.intel), main="Intel对数收益率绝对值的ACF估计")

可以看出, 多个自相关值超出了界限。作Ljung-Box白噪声检验:
> Box.test(abs(ts.intel), lag=12, type="Ljung")
Box-Ljung test
data: abs(ts.intel)
X-squared = 124.91, df = 12, p-value < 2.2e-16
结果显著地拒绝了白噪声零假设。
作对数ACF:
acf(ts.intel^2, main="Intel对数收益率平方的ACF估计")

对对数数列作Ljung-Box白噪声检验:
> Box.test(ts.intel^2, lag=12, type="Ljung")
Box-Ljung test
data: ts.intel^2
X-squared = 98.783, df = 12, p-value = 9.992e-16
一元波动率模型就是试图刻画收益率这种本身不相关或低阶自相关, 但是不独立的性质。
股票指数的日频数据往往有较小的前后相关性, 月度数据则可能没有任何显著的前后相关。
模型3中的自变量比较灵活, 例如, 可以取日期星期一哑变量为自变量, 考察所谓的周末效应。在资产定价模型(Capital Asset Pricing Model, CAPM)
此处省略一堆公式
条件异方差模型分为两类:
- 用确定函数来刻画条件异方差模型:ARCH和GARCH模型属于这一类;
- 用随机方程描述条件异方差模型:随机波动率(RV)模型属于这一类。
3 波动率模型的建立
这是原书(Tsay 2013)§4.3内容。
对资产收益率序列建立波动率模型需要如下四个步骤:
通过检验序列的自相关性建立均值的方程, 必要时还可以引入适当的解释变量;
对均值方程的残差作白噪声检验, 通过后,对残差检验ARCH效应;
如果ARCH效应检验结果显著, 则指定一个波动率模型, 对均值方程和波动率方程进行联合估计;
对得到的模型进行验证, 必要时做改进。
关于均值方程, 资产收益率一般没有自相关(注意,这并不是独立)或者仅有弱的自相关。如果样本均值显著不等于零, 需要从数据中减去样本均值, 这称为中心化。对某些日收益率或更高频的序列可能需要建立简单的AR模型。某些情况下可以加入额外的解释变量或者与日期有关的解释变量, 比如反映周末的哑变量, 反映一月份的哑变量,等等。
例如,在Intel股票月对数收益率的均值方程建模时, 其均值方程为一个常数。
4 ARCH效应的检验
这是原书(Tsay 2013)§4.4内容。
为了检验ARCH效应,先建立均值模型拟合 ,计算残差,用残差序列的平作ARCH效应检验。
有两种检验方法。一种是作Ljung-Box白噪声检验, 检验不显著时没有ARCH效应, 检验显著时有ARCH效应。
另一种检验方法是(Engle 1982)提出的。考虑进最小二乘问题:
执行Engle的ARCH效应检验的函数定义如下:
"archTest" <- function(x, m=10){
# Perform Lagrange Multiplier Test for ARCH effect of a time series
# x: time series, residual of mean equation
# m: selected AR order
y <- (x - mean(x))^2
T <- length(x)
atsq <- y[(m+1):T]
xmat <- matrix(0, T-m, m)
for (j in 1:m){
xmat[,j] <- y[(m+1-j):(T-j)]
}
lmres <- lm(atsq ~ xmat)
summary(lmres)}
4.1 Intel公司股票月对数收益率ARCH效应的检验
下面对Intel公司股票月对数收益率序列检验ARCH效应。因为的均值方程仅有常数项, 作Ljung-Box白噪声检验:
> Box.test((ts.intel - mean(ts.intel))^2,
+ lag=12, type="Ljung")
Box-Ljung test
data: (ts.intel - mean(ts.intel))^2
X-squared = 92.939, df = 12, p-value = 1.332e-14
结果高度显著,说明有ARCH效应。
用Engle的拉格朗日乘子法检验ARCH效应:
archTest(ts.intel - mean(ts.intel), m=12)
> archTest(ts.intel - mean(ts.intel), m=12)
Call:
lm(formula = atsq ~ xmat)
Residuals:
Min 1Q Median 3Q Max
-0.07440 -0.01153 -0.00658 0.00395 0.35255
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.005977 0.002249 2.658 0.008162 **
xmat1 0.093817 0.048147 1.949 0.052013 .
xmat2 0.153085 0.048102 3.183 0.001569 **
xmat3 0.146087 0.048614 3.005 0.002815 **
xmat4 0.023539 0.049126 0.479 0.632075
xmat5 0.007347 0.049107 0.150 0.881139
xmat6 0.010342 0.047027 0.220 0.826050
xmat7 0.057183 0.047027 1.216 0.224681
xmat8 0.014320 0.047079 0.304 0.761149
xmat9 0.007157 0.046968 0.152 0.878965
xmat10 -0.019742 0.046566 -0.424 0.671810
xmat11 -0.057537 0.046041 -1.250 0.212116
xmat12 0.161945 0.045965 3.523 0.000473 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.03365 on 419 degrees of freedom
Multiple R-squared: 0.1248, Adjusted R-squared: 0.0997
F-statistic: 4.978 on 12 and 419 DF, p-value: 9.742e-08
检验的p值为, 高度显著, 说明有ARCH效应。
注意程序中Box.test(),``archTest()输入,没有进行平方。
4.2 美元对欧元汇率日对数收益率ARCH效应的检验
其它金融时间序列也存在ARCH效应。考虑美元对欧元汇率日对数收益率, 从1999-01-04到2010-08-20。
读入数据:
d.useu <- read_table2(
"d-useu9910.txt",
col_types=cols(.default=col_double()))
str(d.useu)
> str(d.useu)
Classes ‘spec_tbl_df’, ‘tbl_df’, ‘tbl’ and 'data.frame': 2930 obs. of 4 variables:
$ year: num 1999 1999 1999 1999 1999 ...
$ mon : num 1 1 1 1 1 1 1 1 1 1 ...
$ day : num 4 5 6 7 8 11 12 13 14 15 ...
$ rate: num 1.18 1.18 1.16 1.17 1.16 ...
- attr(*, "spec")=
.. cols(
.. .default = col_double(),
.. year = col_double(),
.. mon = col_double(),
.. day = col_double(),
.. rate = col_double()
.. )
共2930个观测。保存成xts, 计算对数收益率:
xts.useu <- with(d.useu, xts(rate, make_date(year, mon, day)))
xts.useu.lnrtn <- diff(log(xts.useu))[-1,]
对数收益率的时间序列图:
plot(xts.useu.lnrtn, main="",
major.ticks="years", minor.ticks=NULL,
grid.ticks.on="years")

此序列有波动率聚集现象, 在2008年下半年和2009年上半年有较高的波动率。
作ACF图:
eu <- c(coredata(xts.useu.lnrtn))
acf(eu, main="")

基本符合白噪声的ACF表现。
作Ljung-Box白噪声检验:
eu <- c(coredata(xts.useu.lnrtn))
Box.test(eu, lag=20, type="Ljung")
> Box.test(eu, lag=20, type="Ljung")
Box-Ljung test
data: eu
X-squared = 30.585, df = 20, p-value = 0.06091
在0.05水平下可以承认对数收益率为白噪声列。
检验对数收益率均值是否等于零:
eu <- c(coredata(xts.useu.lnrtn))
t.test(eu)
> t.test(eu)
One Sample t-test
data: eu
t = 0.20217, df = 2928, p-value = 0.8398
alternative hypothesis: true mean is not equal to 0
95 percent confidence interval:
-0.0002122342 0.0002610303
sample estimates:
mean of x
2.439805e-05
结果说明对数收益率均值为零。对数ACF:
eu <- c(coredata(xts.useu.lnrtn))
acf(eu^2, main="")

此ACF明显非白噪声, 且不像是低阶MA。
对数PACF图:
eu <- c(coredata(xts.useu.lnrtn))
pacf(eu^2, main="")

此PACF表现不像是低阶的AR。
对数行Ljung-Box白噪声检验:
eu <- c(coredata(xts.useu.lnrtn))
Box.test(eu^2, lag=20, type="Ljung")
> Box.test(eu^2, lag=20, type="Ljung")
Box-Ljung test
data: eu^2
X-squared = 661.45, df = 20, p-value < 2.2e-16
检验结果拒绝白噪声假设, 说明汇率的日对数收益率有ARCH效应。
对数列作Engle的拉格朗日乘法检验:
eu <- c(coredata(xts.useu.lnrtn))
archTest(eu, m=20)
> archTest(eu, m=20)
Call:
lm(formula = atsq ~ xmat)
Residuals:
Min 1Q Median 3Q Max
-3.229e-04 -3.369e-05 -1.949e-05 9.360e-06 2.100e-03
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.281e-05 2.535e-06 5.054 4.60e-07 ***
xmat1 -3.022e-02 1.858e-02 -1.626 0.103966
xmat2 9.441e-02 1.859e-02 5.080 4.02e-07 ***
xmat3 -1.226e-02 1.867e-02 -0.657 0.511513
xmat4 5.309e-02 1.864e-02 2.848 0.004428 **
xmat5 2.668e-03 1.864e-02 0.143 0.886202
xmat6 7.200e-02 1.862e-02 3.868 0.000112 ***
xmat7 5.625e-02 1.866e-02 3.015 0.002594 **
xmat8 -1.599e-03 1.869e-02 -0.086 0.931828
xmat9 6.060e-02 1.867e-02 3.245 0.001188 **
xmat10 2.794e-02 1.867e-02 1.497 0.134592
xmat11 6.413e-02 1.867e-02 3.435 0.000602 ***
xmat12 4.020e-02 1.867e-02 2.153 0.031439 *
xmat13 4.375e-02 1.869e-02 2.341 0.019299 *
xmat14 2.900e-02 1.867e-02 1.553 0.120458
xmat15 4.927e-02 1.863e-02 2.645 0.008222 **
xmat16 5.349e-02 1.865e-02 2.868 0.004163 **
xmat17 5.702e-02 1.865e-02 3.058 0.002251 **
xmat18 1.873e-03 1.868e-02 0.100 0.920136
xmat19 -1.836e-02 1.859e-02 -0.987 0.323583
xmat20 5.844e-02 1.859e-02 3.144 0.001683 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 8.483e-05 on 2888 degrees of freedom
Multiple R-squared: 0.09265, Adjusted R-squared: 0.08636
F-statistic: 14.74 on 20 and 2888 DF, p-value: < 2.2e-16
结果说明有显著的ARCH效应。
参考文献
Engle, R.F. 1982. “Autoregressive Conditional Heteroscedasticity with Estmates of the Varinance of United Kingdom Inflation.” Econometrica 50: 987–1007.
Bollerslev, T. 1986. “Generalized Autoregressive Conditional Heterskedastici.” Journal of Econom. 31: 307–27.
Nelson, D. B. 1991. “Conditional Heteroskedasticity in Asset Returns: A New Approach.” Econometrica 59: 347–70.
Tsay, Ruey S. 2013. 金融数据分析导论:基于R语言. 机械工业出版社.