Тест ARCH LM: как выявить кластеризацию волатильности в остатках финансовой модели

Знак доходности может меняться, хотя величина движения остается зависимой во времени. За крупными колебаниями нередко следуют крупные, а за спокойными — спокойные; это называют кластеризацией волатильности. Тест ARCH LM — диагностическая проверка того, связаны ли квадраты остатков после оценки среднего с их лагами до заданного порядка.

Вопрос теста ограничен: есть ли линейная зависимость квадратов остатков от выбранных прошлых квадратов и согласуется ли она с нулевой связью. В статье Энгла об ARCH предложен подход к моделированию условной дисперсии, которая меняется во времени. См. Engle (1982).

Тест не проверяет, можно ли предсказать знак будущей доходности. Он также не устанавливает, почему возникла зависимость, и не выбирает автоматически правильную модель дисперсии.

До теста определите уравнение среднего, соответствующее данным и задаче. Для одной серии может быть достаточно постоянного среднего, но пропущенная автокорреляция, эффект дня недели, известные факторы или внутридневной сезонный рисунок способны оставить структуру в остатках. Она может проявиться как зависимость квадратов остатков и исказить диагностику дисперсии.

После оценки обозначьте остаток в момент t как e_t. Он зависит от выбранной выборки, уравнения среднего, частоты данных и обработки выбросов. Изменение среднего уравнения меняет остатки, поэтому вывод теста нельзя отделять от спецификации модели.

Проверьте автокорреляцию остатков и обоснованность среднего уравнения. Зафиксируйте определение доходности, используемые цены, пропуски и частоту наблюдений. Сначала следует понять, описывает ли модель среднюю часть данных, и только затем анализировать условную дисперсию.

Выберите порядок q и оцените вспомогательную регрессию: текущий квадрат остатка объясняется его предыдущими квадратами.

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

Нулевая гипотеза утверждает, что все коэффициенты при лагах совместно равны нулю: H0: a_1 = ... = a_q = 0. При альтернативе хотя бы один коэффициент отличен от нуля, то есть квадраты остатков линейно зависят от квадратов прошлых остатков до выбранного порядка.

После выравнивания лагов первые q наблюдений недоступны вспомогательной регрессии. Обозначьте через M число строк, реально вошедших в эту регрессию, а через R² — её коэффициент детерминации. M — это размер пригодной выборки после выравнивания лагов, а не обязательно число исходных строк ряда.

При стандартных условиях больших выборок LM = M × R² приблизительно имеет распределение хи-квадрат с q степенями свободы. Сравнивают число степеней свободы с порядком вспомогательной регрессии. В небольшой выборке, при тяжелых хвостах или структурных сдвигах приближение может работать хуже.

Полностью гипотетический пример: при q=5, M=300 и R²=0,018 получаем LM=300×0,018=5,4. Критическое значение хи-квадрат с 5 степенями свободы для уровня 5% составляет примерно 11,07. Поскольку 5,4 меньше 11,07, в этом примере нулевая гипотеза на уровне 5% не отклоняется.

Это не доказывает постоянство дисперсии. Возможно, выборка короткая, тесту не хватает мощности, среднее уравнение задано неверно или результат чувствителен к q. Формулируйте вывод как недостаток свидетельств при выбранных настройках, а не как гарантию отсутствия меняющейся волатильности.

Порядок q следует выбирать с учетом цели диагностики, частоты наблюдений, длины выборки и интересующего временного горизонта, а не подбирать после просмотра результатов только ради значимости. Одинаковое число лагов в дневных и недельных данных соответствует разным периодам.

Если проверяется несколько вариантов q, запишите основание выбора и покажите чувствительность результата. Выбор только наибольшей статистики повышает риск случайного отклонения при множественных проверках. Если вывод меняется при небольшом изменении q, эта нестабильность сама по себе важна.

При большом q растет число параметров вспомогательной регрессии; на короткой выборке это может ухудшить точность и мощность. В отчете укажите длину выборки, выбранный q, M после выравнивания, R², LM, p-значение и разумные альтернативные варианты.

ARCH LM не проверяет направление движения цены или доходности. Даже обнаруженная связь квадратов остатков не объясняет её причину: это могут быть новости, ликвидность, поведение участников, устройство торгов или ошибки измерения. Сам факт зависимости не доказывает причинную связь.

Отклонение нулевой гипотезы также не доказывает, что конкретная спецификация ARCH или GARCH верна. Выбор порядка модели, распределения, асимметрии, структурных сдвигов и других особенностей требует отдельной проверки. Статистика теста не дает торгового сигнала и не указывает момент входа.

Если нулевая гипотеза не отклонена, это не доказывает постоянство волатильности. Короткая выборка, выбросы или тяжелые хвосты могут мешать обнаружить зависимость, которая существует, но плохо различима в данных.

Тест McLeod–Li проверяет автокорреляцию квадратов остатков как портманто-диагностику. Он касается близкого вопроса, но агрегирует информацию иначе, чем ARCH LM. Работа McLeod и Li (1983) тоже не доказывает причину зависимости или прибыльную предсказуемость.

Этот тест дополняет разбор коэффициентов и предпосылок регрессии OLS, но не заменяет его; он также не является робастной поправкой стандартных ошибок. ARCH LM диагностирует лаговую зависимость квадратов остатков, тогда как робастные ошибки корректируют выводы при неодинаковой дисперсии.

Результат ARCH LM может стать основанием рассмотреть ARCH или GARCH, но не предписывает автоматически принять такую модель. После оценки среднего и дисперсии проверьте стандартизованные остатки, остаточную зависимость в них и их квадратах, допущения о распределении и стабильность параметров.

Для контекста см. кластеризацию волатильности и модели GARCH и робастные стандартные ошибки и HAC. В Нобелевской лекции Энгла изложены развитие ARCH и его применение к финансовым рядам. Кандидатную модель затем нужно оценить на вневыборочных прогнозах условной дисперсии.

Укажите частоту и определение доходности, среднее уравнение, способ получения остатков, выбранный q и причину выбора, число пригодных наблюдений M, R², статистику LM, число степеней свободы и p-значение. Если нулевая гипотеза не отклонена, не называйте это доказательством постоянной дисперсии.

Также опишите возможное влияние выбросов, тяжелых хвостов, структурных сдвигов, пропущенной динамики среднего и короткой выборки. Если проверялось несколько q или тестов, раскройте весь поиск и то, как учитывалось множественное сравнение. Нобелевская лекция Энгла об ARCH и исходная статья помогут поместить тест в контекст диагностики модели, а не трактовать его как окончательный вердикт.