美联储-当尾部很重时_GARCH模型的方差目标_非高斯_准最大似然估计的好处（英）-2025_79页_1mb

详细总结

核心内容

本文探讨了在重尾分布情况下，使用方差目标非高斯广义自回归条件异方差（GARCH）模型的准最大似然估计（QMLE）方法，即方差目标非高斯准最大似然估计（VTNGQMLE）。该方法通过选择标准化的Student's-t分布作为似然函数，提高估计效率，同时保持对密度误设的稳健性。

主要观点

• GARCH模型的广泛应用：Bollerslev（1986）提出的线性GARCH（1,1）模型仍然是金融经济学中条件波动率建模的重要工具，应用包括投资组合构建、衍生品定价和风险管理。
• QMLE的稳健性与低效性：尽管QMLE在密度误设情况下具有稳健性，但其效率较低，尤其是在数据具有重尾特征时。
• VTNGQMLE的提出与优势：VTNGQMLE通过引入方差目标策略，将样本方差作为估计的一部分，从而在重尾情况下实现对QMLE的效率提升，同时保持稳健性。
• VTNGQMLE的非高斯极限：在重尾情况下，VTNGQMLE的极限分布为非高斯分布，且其收敛速度低于$\sqrt{n}$，但通过子样本自助法可以实现稳健性。
• 实证表现优异：蒙特卡洛实验和实际应用表明，VTNGQMLE在重尾数据下显著优于QMLE和Fan et al.（2014）等其他稳健估计方法。
• VIX与VVIX的关联：VTNGQMLE被应用于VIX（S&P 500指数的期权隐含波动率），并用于预测VVIX（波动率的波动率），展示了历史波动率与风险中性波动率的联系。

关键信息

模型设定

• GARCH模型定义为：
  $$
  Y_t = \sigma_t \epsilon_t, \quad \epsilon_t \sim i.i.d. D(0,1)
  $$
  $$
  \sigma_t^2 = \omega + \alpha Y_{t-1}^2 + \beta \sigma_{t-1}^2
  $$
• $D$为未知分布，其密度函数为$g$，而估计中使用的是密度函数$f$，可能与$g$不同。

假设条件

• 假设3.1：模型参数满足$\omega > 0$，$\alpha > 0$，$\beta \geq 0$，$\alpha + \beta < 1$。
• 假设3.2：${\epsilon_t^2}$为重尾序列，其尾部指数为$\iota_0$。
• 假设3.3：$E(\sigma^4) = \infty$，但$\sigma^2$的分布仍属于正态吸引域。
• 假设4.1：函数$Q(\omega, \eta)$在$\omega_0$和$\eta_0$处有唯一最大值，确保模型可识别。
• 假设4.2：样本矩的极限与总体矩一致，确保估计的一致性。

估计方法

• VTNGQMLE通过将样本方差纳入估计过程，使得模型在重尾情况下更加稳健。
• 估计过程涉及最大化对数似然函数，其中$\sigma_t^2$由样本方差$\hat{\sigma}_n^2$代替。
• 通过一阶泰勒展开和假设4.2，推导出VTNGQMLE的渐近性质。

渐近性质

• 案例1：当$\kappa_0 > 2$且$\widetilde{\eta}_0 = \infty$时，VTNGQMLE的极限分布为高斯分布，其收敛速度为$\sqrt{n}$。
• 案例2：当$\kappa_0 > 2$且$\widetilde{\eta}_0 \in (2, \infty)$时，VTNGQMLE的极限分布为非高斯分布，且其效率高于QMLE。
• 案例3：当$\kappa_0 = 2$且$\widetilde{\eta}_0 = \infty$时，VTNGQMLE的极限分布为非高斯分布，且其收敛速度较慢。
• 案例4：当$\kappa_0 = 2$且$\widetilde{\eta}_0 \in (2, \infty)$时，VTNGQMLE的极限分布由$\sigma_t^2$和$\epsilon_t^2$的极端值共同决定。
• 案例5：当$\kappa_0 = 2$且$\widetilde{\eta}_0 < \infty$时，极限分布仅由$\sigma_t^2$的极端值决定。
• 案例6：当$\kappa_0 < 2$且$\widetilde{\eta}_0 < \infty$时，VTNGQMLE的极限分布为非高斯，且其收敛速度非常慢。

实证应用

• VTNGQMLE应用于VIX（S&P 500指数的期权隐含波动率）。
• 利用VIX和VVIX（波动率的波动率）进行预测，展示了历史波动率与风险中性波动率之间的联系。

结论

• 在重尾情况下，VTNGQMLE比QMLE和Fan et al.（2014）等其他稳健估计方法更高效。
• VTNGQMLE的非高斯极限分布具有稳健性，且在大样本下表现良好。
• 该方法在实际应用中展示了对VIX和VVIX的预测能力，为金融经济中的波动率建模提供了新的思路。