ARMA
Considere $y_t$ que sigue un ARMA( $p,q$ ). Supongamos, para simplificar, que tiene media cero y varianza constante. Con la condición de la información $I_{t-1}$ , $y_t$ puede dividirse en una parte conocida (predeterminada) $\mu_t$ (que es la media condicional de $y_t$ dado $I_{t-1}$ ) y una parte aleatoria $u_t$ :
\begin {alineado} y_t &= \mu_t + u_t; \\ \mu_t &= \varphi_1 y_{t-1} + \dotsc + \varphi_p y_{t-p} + \theta_1 u_{t-1} + \dotsc + \theta_q u_{t-q} \N - \N - \N - \text {(conocido, predeterminado)}; \\ u_t | I_{t-1} &~ \sim D(0, \sigma ^2) \ \ \text {(al azar)} \\ \end {alineado}
donde $D$ es cierta densidad.
El media condicional $\mu_t$ sigue un proceso similar al de ARMA( $p,q$ ) pero sin el término de error aleatorio contemporáneo: $$ \mu_t = \varphi_1 \mu_{t-1} + \dotsc + \varphi_p \mu_{t-p} + (\varphi_1 + \theta_1) u_{t-1} + \dotsc + (\varphi_m + \theta_m) u_{t-m}, $$ donde $m:=\max(p,q)$ ; $\varphi_i=0$ para $i>p$ y $\theta_j=0$ para $j>q$ . Obsérvese que este proceso tiene orden ( $p,m$ ) en lugar de ( $p,q$ ) al igual que $y_t$ .
También podemos escribir la distribución condicional de $y_t$ en términos de sus medias condicionales pasadas (en lugar de los valores realizados en el pasado) y los parámetros del modelo como
\begin {alineado} y_t & \sim D( \mu_t , \sigma_t ^2); \\ \mu_t &= \varphi_1 \mu_ {t-1} + \dotsc + \varphi_p \mu_ {t-p} + ( \varphi_1 + \theta_1 ) u_{t-1} + \dotsc + ( \varphi_m + \theta_m ) u_{t-m}; \\ \sigma_t ^2 &= \sigma ^2, \end {alineado}
Esta última representación facilita la comparación de ARMA con GARCH y ARMA-GARCH.
GARCH
Considere $y_t$ que sigue un modelo GARCH( $s,r$ ). Supongamos por simplicidad que tiene media constante. Entonces
\begin {alineado} y_t & \sim D( \mu_t , \sigma_t ^2); \\ \mu_t &= \mu ; \\ \sigma_t ^2 &= \omega + \alpha_1 u_{t-1}^2 + \dotsc + \alpha_s u_{t-s}^2 + \beta_1 \sigma_ {t-1}^2 + \dotsc + \beta_r \sigma_ {t-r}^2; \\ \frac {u_t}{ \sigma_t } & \sim i.i.D(0,1), \\ \end {alineado}
donde $u_t:=y_t-\mu_t$ y $D$ es cierta densidad.
El varianza condicional $\sigma_t^2$ sigue un proceso similar al de ARMA( $s,r$ ) pero sin el término de error aleatorio contemporáneo.
ARMA-GARCH
Considere $y_t$ que tiene media incondicional cero y sigue un ARMA( $p,q$ )-GARCH( $s,r$ ). Entonces
\begin {alineado} y_t & \sim D( \mu_t , \sigma_t ^2); \\ \mu_t &= \varphi_1 \mu_ {t-1} + \dotsc + \varphi_p \mu_ {t-p} + ( \varphi_1 + \theta_1 ) u_{t-1} + \dotsc + ( \varphi_m + \theta_m ) u_{t-m}; \\ \sigma_t ^2 &= \omega + \alpha_1 u_{t-1}^2 + \dotsc + \alpha_s u_{t-s}^2 + \beta_1 \sigma_ {t-1}^2 + \dotsc + \beta_r \sigma_ {t-r}^2; \\ \frac {u_t}{ \sigma_t } & \sim i.i.D(0,1), \\ \end {alineado}
donde $u_t:=y_t-\mu_t$ ; $D$ es alguna densidad, por ejemplo, Normal; $\varphi_i=0$ para $i>p$ y $\theta_j=0$ para $j>q$ .
El media condicional proceso debido a ARMA tiene esencialmente la misma forma que el varianza condicional debido a GARCH, sólo los órdenes de desfase pueden diferir (permitiendo una media incondicional no nula de $y_t$ no debería cambiar significativamente este resultado). Es importante, ni tiene términos de error aleatorios una vez condicionados a $I_{t-1}$ Por lo tanto ambos están predeterminados.
1 votos
Además de la respuesta de fg nu, el proceso de varianza en GARCH es variable en el tiempo. Sin embargo, hay un truco aquí es que dada una serie de tiempo de log-return de SP500, entonces para obtener el proceso de volatilidad ¿qué debemos hacer? Algunas personas dicen que tenemos que utilizar el modelo ARMA para extraer la serie residual, y luego conectar esta serie residual en el modelo GARCH para obtener el proceso de varianza condicional? O bien, ¿conectar directamente el proceso de rentabilidad logarítmica del SP500 en el modelo GARCH para obtener la varianza condicional?