(g)arch模型在金融數(shù)據(jù)中的應(yīng)用(專業(yè)版)
【正文】 這說明在條件方差方程中加入深市波動的滯后項是恰當(dāng)?shù)摹ARCH模型估計結(jié)果在圖712的“ARCH Specification ”下拉列表中選擇“EGARCH”，則可得到rh 、rz的EGARCH 模型估計結(jié)果，分別如下圖719和圖720所示。雙擊選取序列res1，在新出現(xiàn)的窗口中選擇“View”－ “Line Graph”，得到res1的線性圖如圖79所示圖79 rh殘差平方線狀圖同理得到 rz殘差平方線狀圖: 圖710 rz殘差平方線狀圖可見的波動具有明顯的時間可變性（time varying）和集簇性（clustering）,適合用GARCH類模型來建模。二、基本概念p階自回歸條件異方程ARCH(p)模型，其定義由均值方程（）和條件方程方程（）給出： （） （）其中， 表示t1時刻所有可得信息的集合，為條件方差。深市收益率的標準差大于滬市，說明深圳股市的波動更大。圖7－15 滬市收益率GARCHM(1,1)模型估計結(jié)果圖716 深市收益率GARCHM(1,1)模型估計結(jié)果可見，而且都是顯著的。圖721 Granger因果檢驗可見，我們不能拒絕原假設(shè)：上海的波動不能因果深圳的波動。15 / 15。檢驗兩市波動的因果性（1） 提取條件方差重復(fù)前面GARCHM模型建模的步驟，選擇主菜單欄“Procs”下的“Make GARCH Variance Series”，得到rh回歸方程殘差項的條件方差數(shù)據(jù)序列GARCH01，同樣的步驟rz 回歸方程殘差項的條件方差數(shù)據(jù)序列GARCH02。因此GARCH(1,1)過程是平穩(wěn)的，其條件方差表現(xiàn)出均值回復(fù)（MEANREVERSION），即過去的波動對未來的影響是逐漸衰減。觀察這些數(shù)據(jù)，我們可以發(fā)現(xiàn)：%，%，遠高于正態(tài)分布的峰度值3，說明收益率r t具有尖峰和厚尾特征。廣義自回歸條件異方差GARCH(p,q)模型可表示為： （） （）三、實驗內(nèi)容及要求實驗內(nèi)容：以上證指數(shù)和深證成份指數(shù)為研究對象，選取1997年1月2日～2002年12月31日共6年每個交易日上證指數(shù)和深證成份指數(shù)的收盤價為樣本，完成以下實驗步驟：（一） 滬深股市收益率的波動性研究（二） 股市收益波動非對稱性的研究（三） 滬深股市波動溢出效應(yīng)的研究實驗要求：（1）深刻理解本章的概念；
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1