Ćwiczenia 4 – prognozy w oparciu o model GARCH oraz EWMA
Budowa prognozy w oparciu o model GARCH.
Otwieramy Gretla i pobieramy dane WIG20. Tworzymy logarytmiczne stopy zwrotu (w Gretlu przyrostu logarytmów) – ld_WIG20.
Zmniejszamy zakres próby o 3 (do 4373). Tworzymy opóźnienie dla zmiennej ld_WIG20 poprzez dodawanie zmiennych -> opóźnienia wybranych zmiennych – jest to potrzebne do dodania zmiennej w GARCH variants. Następnie możemy przejść do szacowanie modelu:
Covariance estymator: Sandwich dla rozkładu normalnego, a Hessian dla t-studenta.
Tutaj zrzut z zajęć (inna wersja Gretla):
Wychodzi następujący model GARCH (1,1):
Przechodzimy do Excela. W Gretlu nie ma możliwości wygenerowania prognoz, ponieważ wykorzystujemy przy estymacji rozkład t-studenta (z rozkładem normalnym prognozy są dostępne). W excelu korzystamy z pliku z obliczoną wariancją warunkową za pomocą funkcji wiarygodności (ćwiczenia 2). Zmieniamy dane podstawowe na te, które wyszły z powyższego modelu, bo były te z solvera ( w kolumnie Q ).
Założenia | Dane z modelu |
---|---|
gamma 0 | 0,000536054 |
gamma 1 | 0,04993 |
alfa 0 | 3,63E-06 |
alfa 1 | 0,0797818 |
beta 1 | 0,912132 |
Usuwamy trzy ostatnie wartości w kolumnie z wyliczoną wariancją warunkową (ht – kolumna E). Teraz budujemy prognozy na trzy okresy, które usunęliśmy zgodnie z następującymi wzorami (a0 zastąpiłem alfa z daszkiem):
hT+1 = a0+ a1εt2 + b1ht
hT+2 = a0+ a1ht+1 + b1ht+1 = a0 + (a1 + b1) ht+1
hT+3 = a0+ a1ht+2 + b1ht+2 = a0 + (a1 + b1) ht+2
Powyższe wzory pochodzą ze wzoru ogólnego:
ht+s|tp = $\frac{\alpha_{o}\lbrack 1 - \left( \alpha_{1} + \ \beta_{1} \right)^{s - 1}\rbrack}{1 - \alpha_{1} - \beta_{1}\ }$ + (α1+ β1)s − 1 ht+1|tp
Liczymy teraz odchylenia standardowe dla ht, czyli ht^0,5. Robimy wykresy dla całego odchylenia oraz dla ostatnich wartości odchyleń drugi, na którym będzie widać, że w pewnym momencie wariancja warunkowa staje się stała tzn. prognoza zbiega do wariancji bezwarunkowej. Wynika to z faktu, iż prognozy GARCH mają przewagę tylko w krótkim okresie. [Wykresy są na samym dole w pliku Excel]
II. Teraz będziemy budować prognozy w oparciu model wyrównania wykładniczego (EWMA) – Risk Metrcis.
Będziemy pracować w tym samym pliku Excel. Wzór na ten model:
σt + s|tp2 = λσtp2 + (1 − λ)σt2
λ jest nazywany parametrem wygasania i przyjmuje wartości z przedziału (0, 1).
Na początku wprowadzamy założenia tzn. parametr lambda na poziomie 0,94 (wartość zalecana przez JP) oraz startową wariancję σtp2, które jest obliczona z próbki wstępnej (np. na podstawie pierwszych 100 obserwacji). Wariancja wstępna jest wyliczona z próbki gdzie mamy obliczony epsilon (kolumna C).
Teraz możemy przejść do wyliczenia prognozy z modelu EVMA (kolumna I). Zaczynamy od następnego wiersza, który jest zakończonej próbie na podstawie której wyliczyliśmy wstępną wariancję. Gdzie:
σtp2 − pierwsza jest to wartość startowa, później (przy prognozie na okres t+1) za tę wartość podstawiamy wyliczoną poprzednią wartość σt + s|tp2
σt2 - za tę wartość podstawiamy wyliczony epsilon^2 (kolumna D – zmienność z okresu poprzedniego), ale z okresu poprzedniego - zmienność z okresu poprzedniego (jeszcze w próbie – nie tego na równi).
W następnej kolumnie wyliczamy odchylenia standardowe z wyliczonych prognoz wariancji warunkowej.
Sporządzamy wykres dla odchylenia EVMA oraz wykres gdzie porównujemy prognozy EVMA (odchylenia oraz wariancje można porównać) oraz GARCH. [Wykresy pod wyliczeniami].
Na koniec oceniamy dokładność wyliczonych prognoz poprzez wyliczenia następujących miar (do ich wyliczenia trzeba stworzyć kolumnę z wyliczonymi kwadratami stóp zwrotu, które będą stanowić rzeczywistą realizację zmienności):
Błąd średni – ME = 1/m $\sum_{j = 1}^{m}{(\sigma_{T}^{2} - \ \sigma_{\text{Tp}}^{2}}$) -> informuje o ile średnio różnią się prognozy zmienności (σT2) od realizacji wartości „rzeczywistych” (σTp2) tzn. kwadratów stóp zwrotu (tak przyjęliśmy).
m- liczba prognoz.
Względny błąd średni RME = ME / 1/m $\sum_{j = 1}^{m}\sigma_{T}^{2}$ -> informuje ile wynosiło odchylenie prognozy zmienności od wartości rzeczywistej zmienności [%] w całym okresie prognozy.
Błąd średniokwadratowy – MSE = 1/m $\sum_{j = 1}^{m}{(\sigma_{T}^{2} - \ \sigma_{\text{Tp}}^{2}}$)2 - brak interpretacji, im mniejszy tym prognoza lepsza.
Pierwiastek błędu średniokwadratowego – RMSE = $\sqrt{\text{MSE}}$ - brak interpretacji, im mniejszy tym prognoza lepsza.
Do oceny prognoz możemy również wykorzystać równanie regresji następującej postaci:
σ2T = γ0 + γ1 σ2Tp + εt
gdzie aby prognozy były najlepsze to:
γ0 ->0; γ1 -> 1; R2 -> 1 (najczęściej jednak wynosi koło 5%).
Można tak zrobić dla zbadania dokładności prognoz EWMA (bo jest dużo obserwacji do porównania). Kopiujemy dane do Gretla i KMNK szacujemy model:
Lub można w Excelu regresje – podsumowanie wyników w excelu jest w odrębnym arkuszu.