ПРИКЛАДНАЯ ЭКОНОМЕТРИКА № 1 (17) 2010 О. Е. Цацура Модель обобщенной авторегрессионной условной гетероскедастичности с переменной премией за риск Применение метода ОАРУГ-в-среднем (GARCH-in-mean model) при исследовании модели для доходности позволяет учитывать переменную дисперсию, что дает возможность описывать премию за риск во временных рядах финансовых данных. <...> Представлены спецификация модели, критерии для проверки гипотез и конкретное приложение к биржевым индексам нескольких азиатских торговых площадок. <...> Введение C того времени, как Энглом [Engle (1982)] была предложена модель авторегрессионной условной гетероскедастичности (АРУГ, ARCH), моделирование риска, присущего финансовым активам, получило значительное развитие. <...> И хотя для модели АРУГ было предложено множество различных способов параметризации (обзор см., например, в [Bollerslev (2008)]), наибольшее внимание уделялось моделированию волатильности, а не связи между риском и доходностью, описываемой моделью АРУГ-в-среднем Энгла — Лиллиена — Робинса [Engle, Lilien et. al. <...> ]. В связи с этим одной из характерных проблем может являться небольшое число способов параметризации уравнения условного математического ожидания. <...> В [Karanasos, Kim (2000)] авторы рассматривают данную проблему, но особое внимание сосредотачивают на части уравнения условного математического ожидания, не содержащей условную дисперсию. <...> Мы предлагаем более гибкую параметризацию распространенного способа включения волатильности в уравнение условного математического ожидания, позволив коэффициенту при волатильности быть переменным. <...> Этот подход, в частности, успешно применяется для моделирования волатильности [Frances, van Dijk (2003)], [Hagerud (1996)], при совместном моделировании доходности и волатильности [Lundbergh, Terasvirta (1998)], а также в рамках многомерных моделей условной дисперсии [Silvennoinen, Terasvirta (2008)]. <...> Спецификация модели и проверка гипотез Согласно [Engle, Lilien et. al. <...> (1987)], под премией за риск актива следует понимать любое <...>