Модель ARCH

Модель ARCH (от англ. AutoRegressive Conditional Heteroskedasticity — авторегрессионная условная гетероскедастичность) — это эконометрическая модель, используемая для анализа и прогнозирования волатильности временных рядов, в которых дисперсия ошибок (остатков) не является постоянной, а изменяется во времени, проявляя кластеризацию волатильности. Модель была предложена американским экономистом Робертом Энглом в 1982 году и позволяет моделировать периоды высокой и низкой волатильности, характерные для финансовых данных (доходности акций, обменные курсы, процентные ставки).

Основные понятия

Гетероскедастичность и кластеризация волатильности

В классических регрессионных моделях (например, метод наименьших квадратов) предполагается гомоскедастичность — постоянство дисперсии случайной ошибки. Однако для многих финансовых временных рядов характерна гетероскедастичность: дисперсия ошибок непостоянна. Ключевое свойство, которое описывает модель ARCH, — это кластеризация волатильности: большие изменения (как положительные, так и отрицательные) имеют тенденцию следовать за большими изменениями, а малые — за малыми. Это означает, что периоды высокой волатильности сменяются периодами низкой.

Условная дисперсия

Модель ARCH фокусируется на условной дисперсии — дисперсии ошибки в текущий момент времени, обусловленной информацией, доступной на предыдущие моменты. В отличие от безусловной дисперсии, которая считается постоянной, условная дисперсия в модели ARCH зависит от квадратов прошлых ошибок.

Математическая формулировка

Спецификация модели ARCH(q)

Модель ARCH(q) для временного ряда \( y_t \) (например, доходности актива) обычно записывается в виде:

\[ y_t = \mu + \varepsilon_t \]

где \( \mu \) — условное среднее (часто принимается равным нулю для центрированных данных), а \( \varepsilon_t \) — ошибка, которая представляется как:

\[ \varepsilon_t = \sigma_t \cdot z_t \]

Здесь \( z_t \) — независимая и одинаково распределённая случайная величина с нулевым средним и единичной дисперсией (часто предполагается нормальное распределение, но могут использоваться и другие, например, распределение Стьюдента). \( \sigma_t \) — условное стандартное отклонение, а \( \sigma_t^2 \) — условная дисперсия, которая задаётся уравнением:

\[ \sigma_t^2 = \alpha_0 + \alpha_1 \varepsilon_{t-1}^2 + \alpha_2 \varepsilon_{t-2}^2 + \dots + \alpha_q \varepsilon_{t-q}^2 \]

где:

• \( \alpha_0 > 0 \) — константа,
• \( \alpha_i \geq 0 \) для \( i = 1, \dots, q \) — коэффициенты модели,
• \( q \) — порядок модели (количество лагов).

Условие неотрицательности коэффициентов \( \alpha_i \) необходимо для того, чтобы условная дисперсия всегда была положительной. Для стационарности процесса в широком смысле требуется, чтобы сумма всех \( \alpha_i \) была меньше единицы: \( \sum_{i=1}^q \alpha_i < 1 \).

Интерпретация

Уравнение показывает, что условная дисперсия в момент \( t \) является линейной функцией квадратов ошибок за предыдущие \( q \) периодов. Если в прошлом наблюдались большие ошибки (квадраты которых велики), то текущая условная дисперсия будет высокой, и наоборот. Таким образом, модель автоматически воспроизводит кластеризацию волатильности.

История и развитие

Предпосылки

До появления модели ARCH анализ волатильности был ограничен использованием скользящих средних или экспоненциально взвешенных средних, которые не имели строгой вероятностной основы. В 1970-х — начале 1980-х годов экономисты столкнулись с проблемой моделирования инфляции и финансовых рядов, где дисперсия не была постоянной.

Работа Роберта Энгла

В 1982 году Роберт Энгл опубликовал статью «Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation» (Авторегрессионная условная гетероскедастичность с оценками дисперсии инфляции в Великобритании), в которой впервые формализовал модель ARCH. Энгл применил её к данным по инфляции в Великобритании, показав, что неопределённость (дисперсия) инфляции меняется во времени. За эту работу в 2003 году он был удостоен Нобелевской премии по экономике (совместно с Клайвом Грейнджером).

Расширения и обобщения

Модель ARCH стала основой для целого семейства моделей волатильности. Наиболее известным обобщением является модель GARCH (Generalized ARCH), предложенная Тимом Боллерслевом в 1986 году, которая включает в уравнение для условной дисперсии также лаги самой условной дисперсии. Другие расширения включают:

• EGARCH (Exponential GARCH) — моделирует асимметричную реакцию волатильности на положительные и отрицательные шоки (эффект «рычага»).
• GJR-GARCH — также учитывает асимметрию.
• IGARCH (Integrated GARCH) — для рядов с единичным корнем в условной дисперсии.
• ARCH-M (ARCH-in-Mean) — включает условную дисперсию в уравнение среднего.

Оценка параметров

Метод максимального правдоподобия

Параметры модели ARCH ( \( \alpha_0, \alpha_1, \dots, \alpha_q \) ) обычно оцениваются методом максимального правдоподобия (ММП). При предположении о нормальном распределении \( z_t \) логарифмическая функция правдоподобия для выборки из \( T \) наблюдений имеет вид:

\[ \ln L = -\frac{T}{2} \ln(2\pi) - \frac{1}{2} \sum_{t=1}^T \left( \ln(\sigma_t^2) + \frac{\varepsilon_t^2}{\sigma_t^2} \right) \]

Максимизация этой функции относительно параметров требует численных методов (например, алгоритма Бройдена — Флетчера — Гольдфарба — Шанно). Для обеспечения неотрицательности коэффициентов часто используются ограничения.

Проблемы оценки

• Выбор порядка q: обычно определяется с помощью информационных критериев (AIC, BIC) или анализа автокорреляции квадратов остатков.
• Мультиколлинеарность: при большом q может возникнуть проблема мультиколлинеарности между лагами.
• Негауссовость: для финансовых данных распределение ошибок часто имеет «тяжёлые хвосты», поэтому вместо нормального распределения часто используют распределение Стьюдента или обобщённое распределение ошибок.

Применение

Финансовые рынки

Модель ARCH и её обобщения широко применяются в финансах для:

• Оценки риска: расчёт Value-at-Risk (VaR) и ожидаемого дефицита (Expected Shortfall).
• Ценообразования опционов: волатильность является ключевым параметром в моделях типа Блэка — Шоулза.
• Управления портфелем: динамические стратегии хеджирования, учитывающие изменяющуюся волатильность.
• Анализа спредов и корреляций: модели многомерной волатильности (например, DCC-GARCH).

Макроэкономика

• Моделирование инфляции: оценка неопределённости инфляционных ожиданий.
• Анализ валютных курсов: прогнозирование волатильности обменных курсов.
• Исследование экономических циклов: волатильность выпуска и занятости.

Другие области

• Энергетика: моделирование цен на нефть, газ и электроэнергию.
• Климатология: анализ волатильности метеорологических рядов (температура, осадки).
• Инженерные науки: анализ вибраций и сигналов.

Критика и ограничения

Ограничения модели ARCH

• Линейность: модель предполагает линейную зависимость условной дисперсии от квадратов прошлых ошибок, что может не отражать более сложные нелинейные эффекты.
• Симметричность: стандартная ARCH не различает влияние положительных и отрицательных шоков (асимметрия), хотя на финансовых рынках отрицательные шоки часто вызывают больший рост волатильности (эффект рычага).
• Требовательность к данным: для надёжной оценки требуется большое количество наблюдений (часто не менее 500–1000 точек).
• Неотрицательность коэффициентов: ограничение может быть слишком жёстким и не всегда выполняется на практике.
• Прогнозирование: модель хорошо предсказывает кластеризацию, но плохо — точные значения будущей волатильности.

Альтернативы и развитие

Для преодоления этих ограничений были разработаны более сложные модели (GARCH, EGARCH, GJR-GARCH, SV — стохастическая волатильность). Модели ARCH и GARCH остаются стандартным инструментом в эконометрике, но для высокочастотных данных часто используются модели realised volatility.

Интересные факты

• Роберт Энгл разработал модель ARCH, работая над проблемой моделирования инфляции в Великобритании, где дисперсия ошибок явно менялась во времени.
• Термин «гетероскедастичность» (heteroskedasticity) впервые ввёл в статистику Карл Пирсон в начале XX века, но именно ARCH дала практический инструмент для её моделирования.
• Модель ARCH стала одной из первых, которая позволила статистически обосновать кластеризацию волатильности, наблюдавшуюся эмпирически на фондовых рынках.
• В 2003 году Нобелевская премия по экономике была присуждена Энглу «за методы анализа экономических временных рядов с изменяющейся во времени волатильностью» (ARCH) и Грейнджеру «за методы анализа экономических временных рядов с общими трендами» (коинтеграция).

Источники

• Engle, R. F. (1982). «Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation». Econometrica, 50(4), 987–1007.
• Bollerslev, T. (1986). «Generalized Autoregressive Conditional Heteroskedasticity». Journal of Econometrics, 31(3), 307–327.
• Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
• Tsay, R. S. (2010). Analysis of Financial Time Series (3rd ed.). Wiley.
• Нобелевская лекция Роберта Энгла (2003).