为什么要求逆向过程？条件方差形式是平方，求逆过程无法判断符号

要看你用的mean模型是什么，假设用arma模型，给定初始值代入arma模型，得到第一天的mean，加上你模拟的第一天的残差就是第一天的收益率，然后将第一天的收益率代入mean模型算第二天的mean，加上模拟的第二天的残差得到第二天的收益率... 不停迭代。

在使用GARCH（Generalized Autoregressive Conditional Heteroskedasticity）模型处理金融时间序列数据时，我们通常会先估计一个条件均值模型（比如ARMA模型），然后基于残差构建GARCH模型来捕捉波动率的动态变化。一旦建立了GARCH模型，并生成了标准化残差序列（即残差除以各自的条件标准差），你可以通过以下步骤逆向计算出原始收益率序列：

1. **回溯计算条件方差**：
   首先，你需要根据你的GARCH模型参数和已知的历史数据来回溯计算每个时点的条件方差。这通常涉及到使用递归公式，从时间序列的某一点开始向前推导（这个点往往基于你用来估计GARCH模型的数据）。

2. **恢复原始残差**：
   一旦你有了每个时点的条件方差估计值，你可以将标准化残差乘以该时点的平方根条件方差来得到非标准化的残差。这是因为，在GARCH模型中，假设残差服从均值为0、方差随时间变化的概率分布（通常假定为正态分布或t-分布），因此标准化残差等于非标准化残差除以条件标准差。

3. **调整回条件均值**：
   最后一步是将得到的非标准化的残差加上条件均值模型（比如ARMA）预测的均值部分，从而得到原始收益率序列。这个步骤涉及使用你的条件均值模型参数和历史数据来计算每个时点上的期望收益率。

具体到数学表达式上，假设 \( \hat{\epsilon}_t^* \) 是时间t的标准化残差，\( \sigma_t^2 \) 是时间t的条件方差估计，则非标准化的残差为：
\[
\hat{\epsilon}_t = \hat{\epsilon}_t^* \times \sqrt{\sigma_t^2}
\]
然后如果你有一个条件均值模型 \( \mu_t \)，原始收益率 \( r_t \) 可以表示为：
\[
r_t = \mu_t + \hat{\epsilon}_t
\]

通过以上步骤，你可以从GARCH模型的标准化残差序列逆向计算出原始的收益率序列。这在模型诊断、回溯测试和预测未来波动率时非常有用。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用