Test ARCH-LM: wykrywanie skupiania zmienności w resztach finansowych

Test pyta, czy wielkość wcześniejszych szoków wnosi informację o bieżącym rozproszeniu reszt. Konkretnie, sprawdza łącznie, czy kwadraty opóźnionych reszt do wybranego rzędu q mają moc wyjaśniającą. To ukierunkowana diagnostyka możliwej zależności wariancji warunkowej.

Test nie mówi, czy zwrot wzrośnie lub spadnie, nie identyfikuje przyczyny zależności i nie dowodzi, że konkretny model GARCH jest poprawny. Istotny wynik nie stanowi sygnału transakcyjnego. Oryginalna praca Roberta Engle’a wprowadza test warunkowej heteroskedastyczności: Autoregressive Conditional Heteroscedasticity oraz jego wykład noblowski.

Oszacuj równanie średniej odpowiednie do definicji zwrotu, częstotliwości danych i pytania badawczego. Może to być prosta regresja OLS albo uzasadniona specyfikacja szeregów czasowych. Następnie użyj oszacowanych innowacji lub reszt eₜ i sprawdź, czy dynamika średniej została wiarygodnie ujęta.

Pominięta autokorelacja, trend lub inna dynamika średniej może pozostawić w resztach wzorce przypominające zależność wariancji. Test ARCH-LM nie zastępuje więc kontroli równania średniej. Przewodnik o współczynnikach i założeniach OLS omawia regresję średniej, a tekst o odpornych błędach standardowych dotyczy wnioskowania przy heteroskedastyczności i korelacji szeregowej.

Regresuj kwadraty reszt względem stałej i q ich opóźnionych kwadratów:

e_t^2 = a_0 + a_1 e_{t-1}^2 + ... + a_q e_{t-q}^2 + v_t

Hipoteza zerowa to H₀: a₁ = ... = a_q = 0. Przy standardowych warunkach dużej próby statystyka LM = M × R² ma w przybliżeniu rozkład chi-kwadrat z q stopniami swobody. M oznacza liczbę wierszy faktycznie użytych w regresji pomocniczej po wyrównaniu opóźnień; jest ona nie większa od pierwotnej liczby obserwacji.

Wybierz q przed testem. Statystyka mierzy łączny dowód z tych q opóźnionych kwadratów, a nie wielkość efektu ekonomicznego. Engle opisuje konstrukcję LM w artykule z 1982 roku.

Załóżmy q = 5, M = 300 użytecznych wierszy po wyrównaniu opóźnień i R² = 0,018 z regresji pomocniczej. Wtedy LM = M × R² = 300 × 0,018 = 5,4. Wartość krytyczna na poziomie 5% dla chi-kwadrat z pięcioma stopniami swobody wynosi około 11,07.

Ponieważ 5,4 jest mniejsze niż 11,07, w tym całkowicie hipotetycznym przykładzie nie odrzucamy H₀ na poziomie 5%. Nie dowodzi to stałej wariancji: krótka próba, niska moc albo nietrafny wybór q mogą ukryć istotne wzorce. Liczby nie są prognozą ani opisem rzeczywistego rynku.

Małe q skupia się na krótkich opóźnieniach; większe może uchwycić dłuższą zależność, ale zużywa więcej stopni swobody i pozostawia mniej wierszy po wyrównaniu. Dobierz q do częstotliwości, pytania teoretycznego i dostępnej liczby obserwacji, a nie do najkorzystniejszej wartości p wyszukanej po fakcie.

Podaj główny rząd uzasadniony przed testem i, jeśli to pomocne, ograniczoną analizę wrażliwości dla innych wiarygodnych wartości q. Testowanie wielu rzędów i publikowanie tylko istotnego wyniku zwiększa ryzyko wielokrotnego testowania. Wynik zależy też od specyfikacji średniej i sposobu traktowania skrajnych obserwacji.

Po podniesieniu do kwadratu pojedyncza bardzo duża reszta może otrzymać dużą wagę. Zmiany strukturalne, przejścia między reżimami, grube ogony rozkładu lub pominięta dynamika średniej również mogą tworzyć zależność kwadratów reszt. Istotny wynik nie rozstrzyga, które wyjaśnienie jest trafne.

Zanim zinterpretujesz dynamikę wariancji, sprawdź znaczniki czasu, jakość danych, przebieg reszt i równanie średniej. Przy małej liczbie obserwacji asymptotyczne przybliżenie chi-kwadrat może być niedokładne. Raportuj długość próby, q, M, statystykę, wartość p i założenia, zamiast pisać jedynie „występuje ARCH”.

Test McLeoda-Li bada autokorelacje kwadratów reszt modelu i jest pokrewną diagnostyką zależności nieliniowej. Oryginalna praca McLeoda i Li opisuje to podejście. Żaden z tych testów nie dowodzi przewidywalności ani nie wskazuje przyczyny wzorca.

ARCH-LM nie zastępuje też odpornych błędów standardowych: test diagnozuje wzorzec w kwadratach, a odporna macierz kowariancji dostosowuje niepewność współczynników w określonych warunkach. Nie jest również dopasowaniem GARCH. Przewodnik o skupianiu zmienności i GARCH omawia modele wariancji warunkowej; ARCH/GARCH to możliwy kolejny krok, a nie wniosek z samego testu.

Jeśli diagnostyka wskazuje na zależność wariancji, rozważ ARCH lub GARCH jako kandydujący model. Po estymacji ponownie sprawdź standaryzowane reszty i ich kwadraty, stabilność parametrów oraz błędy prognoz wariancji poza próbą estymacyjną. Dopasowanie wzorca w próbie nie gwarantuje trafnych prognoz.

Udokumentuj równanie średniej, częstotliwość zwrotów, q, M, LM, R², wartość p, okres próby, sposób traktowania wartości odstających i analizę wrażliwości. Oddziel diagnostykę od wyboru modelu i decyzji transakcyjnej. ARCH-LM to narzędzie statystyczne, nie porada inwestycyjna ani sygnał kierunku lub zyskowności transakcji.