De ARCH-LM-toets: volatiliteitsclustering in financiële residuen opsporen
Leer hoe de ARCH-LM-toets afhankelijkheid in gekwadrateerde residuen tot een gekozen lagorde onderzoekt en wat de uitkomst betekent.
In deze gidsWat de ARCH-LM-toets wel en niet onderzoekt
Korte samenvatting
De ARCH-LM-toets onderzoekt of gekwadrateerde innovaties of residuen tot een gekozen lagorde q afhankelijkheid vertonen die bij ARCH past. De uitkomst kan aanleiding zijn om conditionele variantie te modelleren, maar identificeert de oorzaak niet, voorspelt geen rendementsrichting en is geen handelssignaal.
Wat de ARCH-LM-toets wel en niet onderzoekt
De toets vraagt of de omvang van eerdere schokken informatie bevat over de huidige spreiding van residuen. Concreet test hij gezamenlijk of de gekwadrateerde residuen tot de gekozen lagorde q verklarende kracht hebben. Het is een gerichte diagnose van mogelijke afhankelijkheid in de conditionele variantie.
De toets zegt niet of rendementen stijgen of dalen, stelt de oorzaak van afhankelijkheid niet vast en bewijst niet dat een bepaald GARCH-model juist is. Een significante uitkomst is geen handelssignaal. Robert Engles oorspronkelijke artikel introduceerde de toets voor conditionele heteroskedasticiteit: Autoregressive Conditional Heteroscedasticity en zijn Nobelcollege.
Schat eerst een verdedigbare gemiddeldevergelijking
Schat eerst een gemiddeldevergelijking die past bij de rendementsdefinitie, frequentie en onderzoeksvraag. Dat kan een eenvoudige OLS-regressie of een gemotiveerde tijdreeks-specificatie zijn. Gebruik daarna de geschatte innovaties of residuen eₜ en beoordeel of de dynamiek van het gemiddelde voldoende is meegenomen.
Weggelaten autocorrelatie, trend of andere gemiddelde dynamiek kan patronen in residuen achterlaten die op variantieafhankelijkheid lijken. De ARCH-LM-toets vervangt daarom de controle van de gemiddeldevergelijking niet. De gids over OLS-coëfficiënten en aannames behandelt de gemiddelde regressie; de gids over robuuste standaardfouten gaat over inferentie bij heteroskedasticiteit en seriële correlatie.
De hulprelatie en nulhypothese
Regresseer de gekwadrateerde residuen op een constante en hun q vertraagde kwadraten:
e_t^2 = a_0 + a_1 e_{t-1}^2 + ... + a_q e_{t-q}^2 + v_t
De nulhypothese is H₀: a₁ = ... = a_q = 0. Onder gebruikelijke asymptotische voorwaarden is de LM-statistiek M × R² bij benadering chi-kwadraatverdeeld met q vrijheidsgraden. M is het aantal bruikbare rijen in deze hulpregressie nadat de lags zijn uitgelijnd; dat aantal kan kleiner zijn dan de oorspronkelijke steekproef.
Kies q vóórdat je de toets uitvoert. De statistiek meet gezamenlijk bewijs uit die q vertraagde kwadraten, niet de omvang van een economisch effect. Engle beschrijft deze LM-constructie in zijn artikel uit 1982.
Een volledig hypothetisch rekenvoorbeeld
Stel dat q = 5, M = 300 bruikbare rijen na lag-uitlijning en R² = 0,018. Dan is LM = M × R² = 300 × 0,018 = 5,4. De kritieke waarde bij 5% van de chi-kwadraatverdeling met vijf vrijheidsgraden is ongeveer 11,07.
Omdat 5,4 lager is dan 11,07, verwerp je H₀ in dit volledig hypothetische voorbeeld niet op het 5%-niveau. Dat bewijst geen constante variantie: een korte steekproef, lage toetskracht of ongeschikte lagkeuze kan patronen missen. De getallen zijn geen voorspelling en beschrijven geen echte markt.
De keuze van q kan de conclusie veranderen
Een kleine q richt zich op korte lags; een grotere q kan langere afhankelijkheid vinden, maar gebruikt meer vrijheidsgraden en laat na uitlijning minder rijen over. Kies q op basis van de frequentie, de onderzoeksvraag en de beschikbare steekproef, niet door achteraf de gunstigste p-waarde te zoeken.
Rapporteer een vooraf gemotiveerde hoofdorde en eventueel een beperkte gevoeligheidsanalyse met andere plausibele q-waarden. Veel ordes proberen en alleen een significante uitkomst publiceren vergroot het risico op multiple testing. De uitkomst hangt ook af van de gemiddeldevergelijking en de behandeling van extreme observaties.
Houd rekening met uitschieters, breuken en modelspecificatie
Door te kwadrateren kan één zeer groot residu zwaar wegen. Structurele breuken, regimewisselingen, zware staarten of weggelaten gemiddelde dynamiek kunnen ook afhankelijkheid in gekwadrateerde residuen veroorzaken. Een significante toets onderscheidt deze verklaringen niet.
Controleer tijdstempels, datakwaliteit, residuverloop en de gemiddeldevergelijking voordat je variantiedynamiek interpreteert. Bij weinig waarnemingen kan de asymptotische chi-kwadraatbenadering onnauwkeurig zijn. Rapporteer steekproeflengte, q, M, toetsstatistiek, p-waarde en aannames; schrijf niet alleen dat er “ARCH aanwezig” is.
Plaats ARCH-LM naast andere diagnostiek
De McLeod-Li-toets onderzoekt autocorrelaties van gekwadrateerde modelresiduen en is een verwante diagnose voor niet-lineaire afhankelijkheid. Het oorspronkelijke artikel van McLeod en Li beschrijft die aanpak. Geen van beide toetsen bewijst voorspelbaarheid of identificeert de oorzaak.
ARCH-LM vervangt ook geen robuuste standaardfouten: de toets diagnosticeert patronen in kwadraten, terwijl een robuuste covariantiematrix de onzekerheid van coëfficiënten onder bepaalde voorwaarden aanpast. De toets is evenmin een GARCH-fit. De gids over volatiliteitsclustering en GARCH behandelt conditionele-variantie modellen; ARCH/GARCH is een mogelijke vervolgstap, niet iets wat de toets bewijst.
Gebruik de uitslag als startpunt voor modelcontrole
Als de diagnose op variantieafhankelijkheid wijst, kan ARCH of GARCH een kandidaatmodel zijn. Controleer na schatting opnieuw de gestandaardiseerde residuen en hun kwadraten, parameterstabiliteit en variantievoorspelfouten buiten de schattingsperiode. Een patroon binnen de steekproef opvangen garandeert geen betrouwbare voorspellingen.
Documenteer de gemiddeldevergelijking, rendementsfrequentie, q, M, LM, R², p-waarde, periode, behandeling van uitschieters en gevoeligheidsanalyse. Houd diagnose, modelkeuze en handelsbesluit uit elkaar. ARCH-LM is een statistisch hulpmiddel, geen beleggingsadvies of signaal voor richting of winstgevendheid.
Veelgestelde vragen
Q1Betekent een significante ARCH-LM-toets dat ik GARCH moet gebruiken?
Niet op zichzelf. De toets wijst op afhankelijkheid in gekwadrateerde residuen tot de gekozen orde. Vergelijk plausibele modellen, controleer gestandaardiseerde residuen en evalueer variantievoorspellingen buiten de steekproef.
Q2Wat is M in LM = M × R²?
M is het aantal rijen dat daadwerkelijk in de hulpregressie wordt gebruikt nadat de q vertraagde gekwadrateerde residuen zijn uitgelijnd. Dat hoeft niet gelijk te zijn aan het oorspronkelijke aantal rendementen.
Q3Test ARCH-LM of rendementen voorspelbaar zijn?
Nee. De toets onderzoekt afhankelijkheid in gekwadrateerde residuen, niet de richting van rendementen. Een variantiepatroon bewijst geen winstgevende strategie en identificeert de oorzaak niet.
Bronnen en verder lezen
Probleem melden
We bereiden een e-mail met de link naar dit artikel voor. Mark ontvangt je melding pas nadat je die verstuurt
Snelle check
De gids gelezen? Test jezelf met 3 vragen
Vraag 01
Wat is de nulhypothese van de ARCH-LM-hulpregressie tot orde q?
Kies een antwoord om de uitleg te zien
Optiewoordenlijst
A time-series model that updates conditional variance from past squared shocks and prior variance; it models volatility persistence, not return direction.
Lees de uitgebreide gidsIV rankThe current IV's position between a lookback-period low and high; one outlier can distort it, so it should not be read as a standalone signal.
Lees de uitgebreide gidsIV percentileThe percentage of observations in a lookback window below the current IV; the result depends on the data series, window, and treatment of missing or extreme values.
Lees de uitgebreide gids