MODELO ARCH E SUAS EXTENSES

Profa. Vera Lucia Fava

1. INTRODUO

Os modelos ARIMA, bem como os modelos de regresso linear aplicados a sries de
tempo, procuram descrever ou explicar e tambm prever o comportamento do nvel, ou seja, da
mdia condicional da varivel y
t
.
Ocorre, porm, que em muitas situaes importante conhecer tambm o
comportamento da varincia condicional da srie e obter previses para ela.
Isso acontece especialmente quando se trabalha com variveis financeiras. Se, por
exemplo, a srie em estudo for o retorno de uma ao, interessa ter informao no s sobre a
rentabilidade da aplicao (nvel) mas tambm sobre o risco (varincia) a ela associado.
Buscando preencher essa lacuna, Engle (1982) props uma nova categoria de modelos
denominada ARCH - Auto-Regressive Conditional Heteroscedastic models, ou seja, modelos
com Heterocedasticidade Condicional Auto-Regressiva.
Inspirados no trabalho pioneiro de Engle, outros autores sugeriram posteriormente
inmeros modelos para a varincia condicional de uma srie de tempo.
A seguir, sero apresentados os principais deles, alm, naturalmente, daquele proposto
por Engle.


2. MODELO ARCH
Como o prprio nome indica, o modelo para heterocedasticidade condicional auto-
regressiva - modelo ARCH - tem por objetivo modelar e gerar previses para a varincia
condicional de uma srie de tempo.


2


Esse modelo se aplica tanto ao caso em que o nvel da srie y
t
descrito por um modelo
ARIMA(p,d,q) - | u c ( ) ( ) B y B
d
t t
A = - quanto situao em que y
t
explicado por um modelo
de Regresso Linear - y
t t t
= + x | c .
Em ambos os casos, c
t
, por hiptese, um rudo branco:

=
=
=
=
s t para
s t para
E
E
s t
t
0
) (
0 ) (
2
c
o
c c
c


Portanto, a varincia no condicional de c
t
continua sendo invariante no tempo.
permitido, porm, que a varincia de c
t
, condicional s informaes disponveis at o instante t-
1 - I
t-1
-

varie no tempo. Para tanto, Engle (1982) assume que

onde

~ 0,1 e

so independentes.
O termo h
t
a varincia condicional de c
t
:
h V I E I E
t t t t t
t
t
= = = =


( / ) ( / ) ( ) c c c
1
2
1
1
2
constante
Se a varincia condicional de c
t
for expressa pela equao a seguir, tem-se o modelo
ARCH(1) proposto por Engle (1982):
h
t t
= +

o o c
0 1 1
2

De acordo com esse modelo, a varincia condicional de c
t
depende do choque aleatrio
ocorrido no instante t-1. Se c
t-1
for grande (pequeno), h
t
tambm ser grande (pequena).
Portanto, os modelos ARCH acomodam sries com subperodos de grande volatilidade e outros
de tranqilidade.
Para garantir que a varincia condicional seja positiva, necessrio impor as seguintes
restries sobre os parmetros do modelo: o
o
> 0 e o
1
0 > .
Como a varincia no condicional de c
t
, nesse caso, dada por
o
o
o
c
2 0
1
1
=

3


deve-se impor, adicionalmente, a restrio o
1
1 < .
A relao entre a varincia condicional e a varincia no condicional de c
t
dada pela
seguinte equao:
h
t t
=

o o c o
c c
2
1 1
2 2
( )

De acordo com essa expresso, sempre que o quadrado do choque aleatrio no instante
t-1 (c
t 1
2
) - for maior do que sua esperana no condicional (o
c
2
), a varincia condicional de c
t

superar sua varincia no condicional. Vale dizer, sempre que ocorrer algo muito
surpreendente, aumentar a volatilidade da srie y
t
.
Genericamente, a varincia condicional h
t
pode ser expressa como funo dos choques
aleatrios ocorridos nos m instantes imediatamente anteriores. Tem-se, ento, o modelo
ARCH(m):

h
t t t m t m
= + + + +

o o c o c o c
0 1 1
2
2 2
2 2


A varincia no condicional de c
t
agora dada por

o
o
o
c
2 0
1
1
=

=
i
i
m


Portanto, para que ambas as varincias sejam positivas e finitas necessrio que
o o o o o
0 1 2
1
0 0 1 > > <
=

, , ,...,
m i
i
m
e .






4


3. TESTES PARA ESTRUTURA ARCH

3.1 ANLISE DOS RESDUOS AO QUADRADO
Como a heterocedasticidade condicional auto-regressiva decorre da existncia de
autocorrelao entre os resduos ao quadrado, uma forma de test-la por meio do
coeficiente de autocorrelao dos quadrados dos resduos que dado por:

=
+ =

=
T
t
t
T
k t
k t t
k r
1
2 2 2
1
2 2 2 2
) (
) )( (
) (
2

c
c c
o c
o c o c
c

onde

/ o c
c
2 2
=
t
T.

Considerando que a distribuio desse coeficiente de autocorrelao
assintoticamente Normal - ) / 1 ; 0 ( ) (
2

T N k r
c
- possvel realizar testes individuais e
testes conjuntos, de maneira anloga ao que feito para testar se os resduos no
elevados ao quadrado comportam-se aproximadamente como um rudo branco.
O teste individual o seguinte:

H
o
:
c
2
0 ( ) k =

H
a
:
c
2
0 ( ) k =

Estatstica do teste: ) (
2

k r
c


Regra de deciso: se
T
k r
2
) (
2

>
c
H
o
rejeitada.


5


O teste conjunto o teste de Ljung-Box que agora tem as seguintes
caractersticas:

H
0
:
c
2
0 ( ) k = para k s K

H
a
:
c
2
0 ( ) k = para pelo menos um k s K

Estatstica do teste:
=

+ =
K
k
k T
k r
T T K Q
1
) (
) 2 ( ) (
2
c


Regra de deciso: se
2
) (
m K
K Q

> _ H
o
rejeitada.

3.2 TESTE ARCH - LM (LAGRANGE MULTIPLIER)

Esse teste foi proposto por Engle (1982) e consiste primeiramente em estimar
um modelo de regresso que tem como varivel dependente o quadrado do resduo do
instante t e como variveis explicativas os resduos ao quadrado dos m instantes
imediatamente anteriores:


c c c c v
t t t m t m t
2
0 1 1
2
2 2
2 2
= + + + + +



Se houver heterocedasticidade condicional auto-regressiva, espera-se um valor
alto para o R
2
dessa regresso. Tendo isso por base, o teste o seguinte:

H
0
:
1 2
0 = = = =
m
os erros no tm estrutura ARCH



6


H
a
: os erros tm estrutura ARCH
Estatstica do teste: T.R
2
_
m
2
, sob H
0


Regra de deciso: se T.R
2
> _
m
2
H
o
rejeitada.

3.3 TESTE DE NORMALIDADE

Quando a varincia condicional no invariante no tempo, o coeficiente de
curtose da distribuio no condicional dec
t
superior ao da Normal. Isso faz com que
as caudas da distribuio dec
t
sejam pesadas ou gordas.
Portanto, o teste de Normalidade pode indicar a presena de estrutura ARCH no
processo gerador de uma srie de tempo.
Esse teste construdo com base nos coeficientes de assimetria (o
3
) e de curtose
(o
4
) que, em uma distribuio Normal padronizada, so iguais a 0 e 3, respectivamente.
Sejam a
3
e a
4
os estimadores de o
3
e o
4
. O teste de Normalidade tem as
seguintes caractersticas:

H
o
: o o
3 4
0 3 = = e a varivel tem distribuio Normal

H
a
: a varivel no tem distribuio Normal

Estatstica do teste:
2
2
2
4
2
3
24
) 3 (
6
_
(

+ =
a a
T N

Regra de deciso: se N > _
2
2
H
o
rejeitada.



7


Se a hiptese de Normalidade for rejeitada, necessrio verificar se isso decorre
da assimetria ou do excesso de curtose. Testes individuais para os coeficientes de
assimetria e de curtose devem ento ser aplicados . As estatsticas dos testes e suas
respectivas distribuies so:
T
a
6
3
2
1
2
_

T
a
24
3
4
2
1
2
( ) _


4. ESTIMAO DO MODELO ARCH

A estimao do modelo ARCH feita por meio do mtodo da mxima
verossimilhana, o qual permite que sejam simultaneamente estimados os parmetros da
equao do nvel da srie y
t
e da equao de sua varincia condicional h
t
.
Suponha que se deseje estimar o modelo composto pelas equaes a seguir:

(i) y
t t t
= + x | c
(ii) h
t t
= +

o o c
0 1 1
2


Assumindo que c
t
tem distribuio Normal condicional, o logaritmo da funo
de verossimilhana a ser maximizada :


= =

=
T
t t
t t
T
t
t
h
x y
h
T
x y L
1
2
1
) (
2
1
ln
2
1
) 2 ln(
2
) ; / ( ln
|
t u

onde h y
t t t
= +

o o |
0 1 1 1
2
( ) x .


8


A estimao deveria ser feita incorporando as restries sobre os parmetros da
equao de h
t
vistas anteriormente, as quais so necessrias para garantir que as
varincias condicional e no condicional dec
t
sejam positivas e finitas.


5. MODELO GARCH - GENERALIZED ARCH

O modelo GARCH foi proposto por Bollerslev (1986) e uma generalizao do
modelo ARCH que se assemelha ao modelo ARMA:

h h h h
t t t m t m t t s t s
= + + + + + + + +

o o c o c o c | | |
0 1 1
2
2 2
2 2
1 1 2 2


Agora a varincia condicional depende no s dos quadrados dos choques
aleatrios ocorridos nos m instantes de tempo imediatamente anteriores, mas tambm
das prprias varincias condicionais dos s instantes de tempo imediatamente anteriores.
O modelo resultante o GARCH(s,m).
O efeito realimentador proporcionado pela introduo das varincias
condicionais defasadas faz com que o modelo GARCH tenha uma representao mais
parcimoniosa quando comparado ao modelo ARCH. Tal fato considerado a grande
vantagem da generalizao proposta por Bollerslev tendo em vista que a estimao
desses modelos deveria ser feita com restrio.
As restries impostas aos parmetros do modelo GARCH so as seguintes:
o o o o | | | o |
0 1 2 1 2
1 1
0 0 0 1 > > > + <
= =

, , ,..., , , ,...,
m s i
i
m
j
j
s
e .





9


6. MODELO ARCH-M - ARCH IN MEAN

O modelo ARCH-M, idealizado por Engle, Lilien e Robins (1987), tem por
objetivo contemplar o trade-off que existe entre retorno esperado e risco, presente em
inmeros modelos de Finanas. A idia subjacente de que os agentes exigem uma
compensao maior para manter ativos de alto risco.
As equaes que definem essa categoria de modelo so:

2
1
0
i t
m
i
i t
t t t t
h
h x y

=
+ =
+ + =
c o o
c o |


Note que agora a equao do nvel ou da mdia condicional de y
t
tem como uma
de suas variveis explicativas a prpria varincia condicional dec
t
, ou seja, a
volatilidade tambm influenciar o nvel da srie. Pode-se tambm utilizar a raiz
quadrada ou outra transformao de h
t
na equao de y
t
.

7. MODELO EGARCH - EXPONENTIAL GARCH

De acordo com o modelo ARCH e suas extenses apresentados at aqui, as
varincias condicionais dependem apenas da magnitude dos choques aleatrios e no de
seus sinais.
Existe, porm, certo consenso no mercado financeiro de que as surpresas
negativas tm sobre a volatilidade um impacto superior quele provocado por uma
surpresa positiva de igual magnitude.
Para representar essa assimetria de efeito dos choques, Nelson (1991) props a
seguinte equao para a varincia condicional:
j t
s
j
j
i t
i t
i
i t
i t
i
m
i
t
h
h h
h

=

=

+
(
(

+ + = log log
1 1
|
c

c
o e


10



O efeito assimtrico depende, portanto, dos parmetros
i
o .
O modelo EGARCH no requer a imposio de restrio sobre seus parmetros
porque, como ele formulado em termos do logaritmo da varincia condicional, esta
ser sempre positiva.

8. MODELO TARCH THRESHOLD ARCH

Outra forma de representao do efeito assimtrico dos choques dada pelo
modelo TARCH, proposto de forma independente por Zakoan (1994) e Glosten,
Jaganathan e Runkle (1993).
A equao da varincia condicional a seguinte:

=

=

=

+ + + =
s
i
i t i
q
i
i t i t i
q
i
i t i t
h d h
1 1
2
1
2
0
| c c o o onde
0 se 0
0 se 1
{
>
<
=
t
t
t
d
c
c


Portanto, os choques tm efeito assimtrico se 0 >
i
.


9. PREVISO DA VARINCIA CONDICIONAL

A previso da varincia condicional no instante + T

ser dada pela esperana
de
+ T
h condicional s informaes disponveis no instante T , no caso da previso
dinmica, e pela esperana de
+ T
h condicional s informaes disponveis no
instante 1 + T , no caso da previso esttica (um passo frente).





11


10. EXEMPLO

Apresenta-se, a seguir, um exemplo de aplicao de modelos ARCH e suas
extenses. A srie considerada composta por observaes dirias sobre o valor de um
ttulo britnico.
O modelo inicialmente selecionado para descrever o nvel da primeira diferena
do logaritmo da srie um AR(8) degenerado, sem as defasagens 2, 4, 5 e 6.
Esse modelo apresenta resduos com heterocedasticidade condicional auto-
regressiva, conforme indicam o correlograma dos quadrados dos resduos, o teste
ARCH-LM e o teste de Normalidade.
Esse problema economtrico contornado com a estimao de um modelo
AR(8) - ARCH(4), sendo que agora tambm a defasagem 3 excluda da parte AR por
no ser estatisticamente significante.
Outra alternativa o modelo AR(8) - GARCH(1,1) que capta a
heterocedasticidade condicional auto-regressiva de forma mais parcimoniosa, ou seja,
requer a estimao de dois parmetros a menos do que o modelo anterior. O grfico da
varincia condicional estimada por esse modelo apresentado a seguir.
O modelo ARCH-M no se mostrou adequado para a srie em questo: o
coeficiente da varincia condicional na equao da mdia da srie no significante.
Finalmente, estimou-se o modelo AR(8) - EGARCH(1,1). O coeficiente do valor
absoluto dos resduos significante ao nvel de 15%, o que indica que a hiptese de
efeito assimtrico dos choques deve ser considerada com cautela neste caso.




12


GRFICO DA SRIE


MODELO AR(8) - RESULTADOS DA ESTIMAO

Dependent Variable: D(LBOND)
Sample (adjusted): 10 950
Included observations: 941 after adjustments
Convergence achieved after 2 iterations


Variable Coefficient Std. Error t-Statistic Prob.


AR(1) 0.080617 0.032435 2.485520 0.0131
AR(3) 0.066699 0.032288 2.065773 0.0391
AR(7) 0.073842 0.032066 2.302828 0.0215
AR(8) 0.053181 0.032163 1.653475 0.0986


S.E. of regression 0.009595 Akaike info criterion -6.450899
Sum squared resid 0.086265 Schwarz criterion -6.430296




2.1
2.2
2.3
2.4
2.5
2.6
4/01/86 1/06/87 10/13/87 7/19/88 4/25/89
LBOND


13


MODELO AR(8) - CORRELOGRAMA DOS RESDUOS






14


MODELO AR(8) - CORRELOGRAMA DOS RESDUOS AO
QUADRADO




MODELO AR(8) - TESTES ARCH-LM

ARCH Test:


F-statistic 7.635104 Probability 0.005836
Obs*R-squared 7.589606 Probability 0.005871


Test Equation:


Variable Coefficient Std. Error t-Statistic Prob.


C 8.34E-05 7.64E-06 10.91713 0.0000
RESID^2(-1) 0.089864 0.032522 2.763169 0.0058







15


ARCH Test:


F-statistic 13.98362 Probability 0.000000
Obs*R-squared 40.31955 Probability 0.000000


Test Equation:


Variable Coefficient Std. Error t-Statistic Prob.


C 6.40E-05 8.24E-06 7.765833 0.0000
RESID^2(-1) 0.062428 0.032433 1.924844 0.0546
RESID^2(-2) 0.175578 0.031996 5.487447 0.0000
RESID^2(-3) 0.052813 0.032433 1.628374 0.1038







MODELO AR(8) - TESTE DE NORMALIDADE











16



MODELO AR(8)-ARCH(3) - RESULTADOS DA ESTIMAO

Dependent Variable: D(LBOND)
Method: ML - ARCH (Marquardt) - Normal distribution
Sample (adjusted): 10 950
Included observations: 941 after adjustments
Convergence achieved after 12 iterations
Variance backcast: OFF
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-2)^2 + C(7)*RESID(
-3)^2


Coefficient Std. Error z-Statistic Prob.


AR(1) 0.096142 0.035354 2.719420 0.0065
AR(7) 0.052936 0.027256 1.942193 0.0521
AR(8) 0.062143 0.028147 2.207834 0.0273


Variance Equation


C 6.98E-05 2.90E-06 24.04355 0.0000
RESID(-1)^2 0.052871 0.020251 2.610869 0.0090
RESID(-2)^2 0.106176 0.023583 4.502298 0.0000
RESID(-3)^2 0.069527 0.022131 3.141690 0.0017







MODELO AR(8)-ARCH(3) - TESTES ARCH-LM


ARCH Test:


F-statistic 0.029261 Probability 0.993257
Obs*R-squared 0.088151 Probability 0.993220


Test Equation:


Variable Coefficient Std. Error t-Statistic Prob.


C 1.005177 0.092578 10.85767 0.0000
STD_RESID^2(-1) -0.004912 0.032474 -0.151244 0.8798
STD_RESID^2(-2) -0.003474 0.032467 -0.107004 0.9148
STD_RESID^2(-3) -0.007538 0.032470 -0.232167 0.8165







17


ARCH Test:


F-statistic 0.607206 Probability 0.772363
Obs*R-squared 4.879310 Probability 0.770394


Test Equation:


Variable Coefficient Std. Error t-Statistic Prob.


C 0.882161 0.115810 7.617281 0.0000
STD_RESID^2(-1) -0.002852 0.032898 -0.086697 0.9309
STD_RESID^2(-2) -0.001896 0.032771 -0.057865 0.9539
STD_RESID^2(-3) -0.007001 0.032764 -0.213671 0.8309
STD_RESID^2(-4) 0.044308 0.032763 1.352399 0.1766
STD_RESID^2(-5) 0.008290 0.032747 0.253146 0.8002
STD_RESID^2(-6) 0.019605 0.032515 0.602946 0.5467
STD_RESID^2(-7) 0.052354 0.032514 1.610210 0.1077
STD_RESID^2(-8) -0.007937 0.032562 -0.243764 0.8075





MODELO AR(8)-ARCH(3) - CORRELOGRAMA DOS RESDUOS AO
QUADRADO



18


MODELO AR(7)-GARCH(1,1) - RESULTADOS DA ESTIMAO


Dependent Variable: D(LBOND)
Method: ML - ARCH (Marquardt) - Normal distribution
Sample (adjusted): 9 950
Included observations: 942 after adjustments
Convergence achieved after 15 iterations
Variance backcast: OFF
GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*GARCH(-1)


Coefficient Std. Error z-Statistic Prob.


AR(1) 0.100346 0.036801 2.726726 0.0064
AR(7) 0.062621 0.031504 1.987714 0.0468


Variance Equation


C 1.13E-05 3.49E-06 3.221565 0.0013
RESID(-1)^2 0.067706 0.016894 4.007765 0.0001
GARCH(-1) 0.805475 0.052856 15.23913 0.0000









MODELO AR(7)-GARCH(1,1) - TESTES ARCH-LM


ARCH Test:


F-statistic 0.114033 Probability 0.951902
Obs*R-squared 0.343437 Probability 0.951663


Test Equation:


Variable Coefficient Std. Error t-Statistic Prob.


C 1.010748 0.093710 10.78590 0.0000
STD_RESID^2(-1) -0.014448 0.032697 -0.441877 0.6587
STD_RESID^2(-2) -0.004740 0.032702 -0.144941 0.8848
STD_RESID^2(-3) 0.011537 0.032698 0.352832 0.7243







19


ARCH Test:


F-statistic 0.225676 Probability 0.986306
Obs*R-squared 1.819421 Probability 0.986056


Test Equation:


Variable Coefficient Std. Error t-Statistic Prob.


C 0.997988 0.118415 8.427869 0.0000
STD_RESID^2(-1) -0.015214 0.032843 -0.463229 0.6433
STD_RESID^2(-2) -0.001961 0.032841 -0.059720 0.9524
STD_RESID^2(-3) 0.016136 0.032840 0.491348 0.6233
STD_RESID^2(-4) 0.013777 0.032844 0.419488 0.6750
STD_RESID^2(-5) -0.003127 0.032565 -0.096017 0.9235
STD_RESID^2(-6) -0.000518 0.032557 -0.015909 0.9873
STD_RESID^2(-7) 0.016859 0.032559 0.517805 0.6047
STD_RESID^2(-8) -0.030219 0.032559 -0.928128 0.3536





MODELO AR(8)-GARCH(1,1) - CORRELOGRAMA DOS RESDUOS AO
QUADRADO



20



MODELO AR(7)-GARCH(1,1) - VARINCIA CONDICIONAL






MODELO AR(8)-EGARCH(1,1) - RESULTADOS DA ESTIMAO


Dependent Variable: D(LBOND)
Method: ML - ARCH (Marquardt) - Normal distribution
Sample (adjusted): 10 950
Included observations: 941 after adjustments
Convergence achieved after 19 iterations
Variance backcast: OFF
LOG(GARCH) = C(3) + C(4)*ABS(RESID(-1)/@SQRT(GARCH(-1))) +
C(5)*RESID(-1)/@SQRT(GARCH(-1)) + C(6)*LOG(GARCH(-1))


Coefficient Std. Error z-Statistic Prob.


AR(1) 0.095149 0.037535 2.534949 0.0112
AR(8) 0.062182 0.033664 1.847138 0.0647


Variance Equation


C(3) -0.953771 0.286411 -3.330076 0.0009
C(4) 0.152768 0.030282 5.044807 0.0000
C(5) 0.013856 0.013839 1.001189 0.3167
C(6) 0.909629 0.028844 31.53588 0.0000




21



MODELO AR(1)-TARCH(1,1) - RESULTADOS DA ESTIMAO

Dependent Variable: D(LBOND)
Method: ML - ARCH (Marquardt) - Normal distribution
Sample (adjusted): 3 960
Included observations: 958 after adjustments
Convergence achieved after 17 iterations
Variance backcast: ON
GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-1)^2*(RESID(-1)<0)
+ C(5)*GARCH(-1)


Coefficient Std. Error z-Statistic Prob.


AR(1) 0.101470 0.038770 2.617222 0.0089


Variance Equation


C 9.54E-06 2.62E-06 3.644944 0.0003
RESID(-1)^2 0.066746 0.017792 3.751456 0.0002
RESID(-1)^2*(RESID(-1)<0) -0.004103 0.017867 -0.229645 0.8184
GARCH(-1) 0.826150 0.040348 20.47580 0.0000




MODELO AR(7)-GARCH(1,1)-M - RESULTADOS DA ESTIMAO

Dependent Variable: D(LBOND)
Method: ML - ARCH (Marquardt) - Normal distribution
Sample (adjusted): 9 950
Included observations: 942 after adjustments
Convergence not achieved after 500 iterations
Variance backcast: OFF
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1)


Coefficient Std. Error z-Statistic Prob.


GARCH 3.111585 4.286429 0.725916 0.4679
AR(1) 0.099083 0.037201 2.663456 0.0077
AR(7) 0.061229 0.031463 1.946076 0.0516


Variance Equation


C 1.12E-05 3.54E-06 3.170222 0.0015
RESID(-1)^2 0.066808 0.016795 3.977792 0.0001
GARCH(-1) 0.806458 0.053505 15.07267 0.0000









22


MODELO AR(7)-GARCH(1,1)

PREVISO DINMICA (EXTRAPOLAO)




PREVISO ESTTICA (UM PASSO FRENTE)






23


BIBLIOGRAFIA

Alexander, C. (2005) Modelos de mercados: um guia para a anlise de informaes
financeiras. BM&F/Editora Saraiva.
Bollerslev, T., Chou, R.Y. & Kroner, K.F. (1992) ARCH modeling in finance: a review
of the theory and empirical evidence. Journal of Econometrics 52: 5-59.
Bollerslev, T., Engle, R.F. & Nelson, D.B. (1993) ARCH Models. The Handbook of
Econometrics, vol 4.
Campbell, J. Y., Lo, A. W. & MacKinlay, A. C. (1997) The Econometrics of Financial
Markets, Princeton University Press.
Dunis, C. & Zhou, B. (1998) Nonlinear Modelling of High Frequency Financial Time
Series, John Wiley & Sons.
Enders, W. (1995) Applied Econometric Time Series, John Wiley & Sons.
Engle, R.F. (1982) Autoregressive conditional heteroscedasticity with estimates of the
variance of the United Kingdom inflation. Econometrica 50(4): 987-1007.
_________(1983) Estimates of the variance of U.S. inflation based upon the ARCH
model. Journal of Money, Credit, and Banking 15(3): 286-303.
Engle, R. F., Lilien, D. & Robins, R. (1987) Estimating time varying risk premia in the
term structure: the ARCH-M model. Econometrica 55: 391-407.
Glosten L., Jagannathan, R.& Runkle, D. (1993) On the relation between the expected
value and the volatility of the nominal excess return on stocks. Journal of
Finance 48: 1779-1801.
Hamilton, J.D. (1994) Time series analysis. Princeton University Press.
Mills, T.C. (1990) Time series techniques for economists. Cambridge University Press.
Mills, T.C. (1993) The econometric modelling of financial time series. Cambridge
University Press.
Nelson, D. B. (1991) Conditional heteroskedasticity in asset returns: a new approach.
Econometrica 59:347-370.
Tsay. R. S. (2005) Analysis of financial time series. Wiley-Interscience.
Zakoan, J. M. (1994) Threshold heteroscedastic models. Journal of Economic
Dynamics and Control 18: 931-955.