[论文解读] Weighted bootstrap in GARCH models

László Varga, András Zempléni|arXiv (Cornell University)|Sep 6, 2012

Financial Risk and Volatility Modeling参考文献 15被引用 5

一句话总结

本文提出一种用于GARCH模型的加权自展法，以改进波动率建模中的小样本推断。通过将乘子自展权重应用于准最大似然估计量（QMLE），该方法在计算开销极小的情况下实现了渐近有效的置信区间，即使在样本量低至1,000时也表现出优异的小样本性能，且随着样本量趋近100,000，精度进一步提升。

ABSTRACT

GARCH models are useful tools in the investigation of phenomena, where volatility changes are prominent features, like most financial data. The parameter estimation via quasi maximum likelihood (QMLE) and its properties are by now well understood. However, there is a gap between practical applications and the theory, as in reality there are usually not enough observations for the limit results to be valid approximations. We try to fill this gap by this paper, where the properties of a recent bootstrap methodology in the context of GARCH modeling are revealed. The results are promising as it turns out that this remarkably simple method has essentially the same limit distribution, as the original estimatorwith the advantage of easy confidence interval construction, as it is demonstrated in the paper. The finite-sample properties of the suggested estimators are investigated through a simulation study, which ensures that the results are practically applicable for sample sizes as low as a thousand. On the other hand, the results are not 100% accurate until sample size reaches 100 thousands - but it is shown that this property is not a feature of our bootstrap procedure only, as it is shared by the original QMLE, too.

研究动机与目标

• 解决GARCH模型中渐近理论与实际应用之间的差距，即小样本下标准极限近似失效的问题。
• 改进GARCH过程中准最大似然估计量（QMLE）的小样本推断。
• 评估加权自展法作为渐近近似在参数估计与置信区域构建中的实用替代方案的性能。
• 证明加权自展法在保持原始QMLE估计量渐近分布的同时，可实现简便的区间估计。

提出的方法

• 采用加权自展（乘子自展）方法，其中自展权重τₙᵢ为独立同分布且与数据独立，用于生成重采样的对数似然函数。
• 通过最大化加权对数似然函数lₙᵗ*构造自展估计量，使用与原始QMLE框架相同的结构，但以τₙᵢXᵢ替代原始观测值。
• 在正则性条件下（包括创新项与权重的平稳性及矩条件）建立自展估计量的渐近正态性。
• 利用鞅中心极限定理与Bernstein不等式，证明在自展测度下得分函数与观测费雪信息量收敛至其渐近极限。
• 应用Slutsky引理与Cramér–Wold引理，确认QMLE的自展分布收敛至与原始估计量相同的渐近正态分布。
• 通过模拟研究验证该方法，重点考察ARCH(1)模型，比较不同样本量下QMLE与自展估计量的表现。

实验结果

研究问题

• RQ1 在有限样本条件下，加权自展法是否能保持GARCH模型中QMLE的渐近分布？
• RQ2 当样本量较小时（例如n = 1,000），加权自展法能否生成GARCH参数的准确置信区间？
• RQ3 在小样本中，自展估计量与原始QMLE相比，在覆盖概率与尺寸方面表现如何？
• RQ4 QMLE估计中的有限样本偏差是否可通过自展过程得到缓解？
• RQ5 当创新项为重尾分布时（如金融数据中常见），该自展方法是否仍保持有效性？

主要发现

• 加权自展估计量实现了与原始QMLE相同的渐近分布，确保了推断的理论有效性。
• 该方法可无需依赖渐近近似，简便地构造置信区间，而渐近近似在小样本中不可靠。
• 模拟结果表明，即使在样本量低至1,000时，自展法仍表现良好，覆盖概率接近名义水平。
• 该方法的小样本精度随样本量增加而提升，仅在约100,000个观测时接近100%准确——尽管此限制也存在于原始QMLE中，而非自展法独有。
• 自展法对重尾创新项具有鲁棒性，适用于具有厚尾收益的金融时间序列。
• 通过鞅中心极限定理与一致可积性提供理论依据，确保自展得分函数与信息矩阵收敛至真实极限。