时间序列分析第三次作业：一元GARCH建模.docVIP

第三次作业：一元GARCH建模 金融工程一班 数据选取 选取上证指数每日收盘价作为研究资料，样本区间为2003/9/1至2011/11/7共1988个观测值。首先观察上证指数（下称sh）的走势情况（横坐标1表示2003/9/1）如下（图1）： 图1：sh的时间序列变化 易知该序列是一个非平稳的时间序列。这个结论也可以通过观察其自相关图得出，其呈现拖尾性的自相关图如下（图2）： 图2：sh的自相关与偏相关图 对sh序列取对数并差分，可得上指指数的日收益率的时间序列，命名为ish，观察ish的变化情况，如下（图3）： 图3：ish的时间序列变化 易见该序列呈现“小幅波动后面跟着小幅波动，大幅波动后面跟随大幅波动”的现象。 做出ish的自相关图如下（图4）： 图4：ish的自相关及偏相关图 易知ish的自相关和偏相关均在4阶之后截尾。 模型初步建立及其ARCH效应检验 取最大滞后阶数为p=4，q=4，建立ARMA模型，并分别统计不同的（p，q）对应的ARMA模型对应的AIC、SC的值如下（表1）： (p,q) AIC SC IAR (1,1) -5.207773 -5.199323 -0.89 (1,2) -5.206881 -5.195614 -0.87 (1,3) -5.208153 -5.19407 0.34 (1,4) -5.208222 -5.191322 -0.02 (2,1) -5.206402 -5.195131 -0.01 (2,2) -5.214989 -5.2009 0.99 (2,3) -5.208583 -5.191676 0.68 (2,4) -5.20865 -5.188925 0.73 (3,1) -5.207061 -5.192966 0.55 (3,2) -5.208368 -5.191454 0.68 (3,3) -5.21582 -5.193787 0.99 (3,4) -5.207831 -5.185279 0.48 (4,1) -5.206931 -5.19001 0.51 (4,2) -5.207843 -5.188102 0.27 (4,3) -5.216439 -5.193878 0.99 (4,4) -5.215304 -5.189923 0.98 表1：不同（p，q）下估计结果统计表 据上表可知，根据AIC准则，当（p，q）取（4,3）时，AIC和SC取最小值，故取p=4，q=3，建立ARMA模型，输出结果如下（图5）： 图5：自回归估计模型结果 下面对估计的方程是否存在异方差现象进行检验。在eviews窗口用series e1=resid将上述估计方程的残差序列命名为e1，观察e1的变化情况可得结果如下（图6）： 图6：上面ARMA模型估计结果的残差图 易知该残差序列呈现“小波动后面紧跟小波动，大波动后面紧跟大波动”的现象。因而初步估计该模型估计结果存在异方差性。点击eviews 6的上述模型估计结果中的view下拉菜单的residual test，选择Heteroskedasticity tests，在新出现的窗口中的test type选择ARCH，滞后阶数不妨取2，点击OK，可得结果如下（图7）： 图7：ARCH效应检验结果 据结果所示可知，在5%的置信区间下，拒绝不存在异方差的假设，因而原估计结果存在异方差。这也可以从原结果的残差平方的自相关图看出。其残差的平方的自相关图如下（图8）： 图8：原模型的残差的平方的自相关图 易知，原模型的残差的平方不平稳，因而存在异方差性。 综上可知：需要在ARMA（4,3）的基础上，对方差部分建立ARCH模型。 ARCH类模型建立 在图5所示方程估计的基础上，点击estimate可得如下窗口（图9），选择ARCH选项点击确定，可得窗口（图10），默认系统值，即建立garch（1,1）模型，点击确定，可得结果如下（图11）： 图9：带ARCH效应的方程估计 图10：ARCH类模型参数设置 图11：ARCH类模型估计结果 , 下面分别对不同的（p，q）对模型进行估计，q取1固定，p分别取1至4，并对结果进行统计如下（表2）： GARCH(p,q) AIC SC IAR (1,1) -5.395029 -5.364007 0.83 (2,1) -5.394418 -5.360576 0.84 (3,1) -5.395051 -5.358389 0.86 (4,1) -5.394056 -5.354574 0.86 表2：不同（p，q）下GARCH估计结果统计表 从上表可以看出，根据AIC准则应选取（3,1）组合，而根据SC准则应该选取