R/Python下用于时变风险规避测算的状态空间GARCH-M模型估计咨询

你遇到的EViews报错核心原因是：当前设定的状态空间结构中，观测方程的新息方差随内生变量动态变化，属于非线性状态空间范畴，不满足EViews内置卡尔曼滤波引擎要求的“状态转移矩阵、观测设计矩阵、新息协方差均为固定系数（或仅依赖待估静态参数）”的线性模型约束，因此无法直接估计。

• 无近似偏差的拆分式线性化：不强行对原有非线性项做泰勒展开，将联合估计的结构拆分为独立步骤：首先利用纯GARCH模型对资产收益序列做预估计，得到全样本条件时变方差序列h_t；将h_t作为已知的时变回归量嵌入观测方程，把时变风险规避系数λ_t设定为服从随机游走的隐状态（即λ_t = λ_{t-1} + η_t，η_t为独立同分布的固定协方差高斯新息）。调整后的模型完全符合线性状态空间的结构要求，不存在EViews无法识别的非线性误差项，且没有估计偏差，也是Chou & Engle (1992) 研究中的核心实操思路。
• 基于扩展卡尔曼滤波的解析线性化：如果需要保持模型的联合估计属性，可将GARCH(1,1)的动态项纳入状态向量，把原h_t = ω + α h_{t-1} + β ε_{t-1}^2 的动态过程作为状态转移方程的一部分，在每一步卡尔曼滤波的预测节点，用条件期望E[ε_{t-1}^2 | I_{t-1}] 代替原方程中的ε_{t-1}^2 平方项，实现每一步的局部线性近似。注意该方法存在近似误差，且无法通过EViews内置引擎实现，需要手动编写滤波计算流程。

• 全贝叶斯估计法：将所有静态参数（GARCH结构系数、状态新息的协方差）设置合理先验分布，结合粒子滤波或吉布斯抽样对带非线性结构的模型做全样本似然推断，不需要对非线性项做线性近似，估计一致性显著优于传统卡尔曼滤波，尤其适合资产收益序列存在厚尾的场景。
• 数值优化驱动的拟极大似然估计：将自定义的非线性滤波过程封装为似然计算函数，通过数值优化算法在参数空间中搜索最大化似然值的参数组合，不依赖工具内置的线性状态空间求解器，可灵活适配任意形式的时变结构。
• 半参数估计法：不提前设定新息的高斯分布假设，通过非参核估计拟合条件均值与条件方差的动态过程，直接剥离出时变风险溢价项对收益的贡献，识别时变风险规避系数，适合收益序列分布偏离正态的金融场景。

Python端 #

• statsmodels：内置完整的线性状态空间框架，支持自定义时变设计矩阵，可直接实现拆分式线性化GARCH-M模型的估计，无需手动编写循环滤波代码。
• pyflux：面向金融时间序列的专门状态空间工具包，内置带时变参数的GARCH-M实现，支持极大似然与MCMC两类估计方法。
• numpyro：概率编程框架，可通过简洁的概率语句定义带非线性耦合的GARCH-M状态空间结构，通过NUTS抽样实现高精度贝叶斯估计，适配复杂非线性模型需求。

R端 #

• dlm：经典线性状态空间工具包，支持自定义时变协变量输入，可直接嵌入预估计的时变方差序列完成两步法模型估计。
• rugarch：专门针对GARCH族模型的工具包，内置带时变参数的GARCH-M扩展模块，可直接将风险溢价项的系数设定为随机游走的动态形式，内置极大似然求解器。
• bsts：贝叶斯结构时间序列工具包，支持自定义状态组件与外生时变协变量，可快速实现时变风险规避系数的贝叶斯估计。

内容的提问来源于stack exchange，提问作者Alien