对时间序列数据的分析,在engle的arch提出之前,大家关注的重点是如何把握时序数据的一阶矩的特征,具有代表意义的就是ARMA模型。但engle的ARCH类模型提出后,使得我们可以研究时序变量的二阶矩特征,或者说,我们可以刻画变量的条件方差了。正如很多教科书上所说的,ARCH模型可以刻画时序变量的波动集聚性。通俗的讲就是大的波动往往成群出现,这点在金融时间序列数据中经常出现。因此,arch模型的出现首先使得我们在评价金融资产的风险值方面更精确。
但ARCH模型真正革命性的意义在于对gauss-markov定理的突破。大家都知道,在经典的回归分析中,如果模型的扰动项满足零均值,等方差,和不相关的假定(这里不考虑解释变量的内生性问题),那么OLS估计的结果在所有的线性无偏估计量中有最小方差。但是如果随机扰动项是一个ARCH类过程,那么通过简单的推导,我们可以发现,此时随机扰动项仍然满足前面所说的三条假定,即无条件期望为零,无条件方差恒定,不同期扰动不相关。如果你这时以为OLS估计结果已经很优秀了,那么你就错了!在这种情况下,MLE的估计在大样本情形下有着比OLS估计量更小的方差。当然MLE是渐进无偏的,只是这时的MLE估计是一个非线性的估计量。
所以说了那么多,总结起来就是:ARCH类模型对金融数据刻画的更贴近现实,如果回归模型中的扰动项有ARCH效应,我们可以找到一个比OLS更好的估计量(也就是前面的有位同学说的估计更准确)。
建议你可以去看下这些参考书:
GREENE ,ANALYSIS OF ECONOMETRICS
HAMILTON, ANALYSIS OF TIMEN SERIES
蔡瑞胸,金融时间序列分析
|