eviews课件：ARCH和GARCH估计.ppt

2. 平方残差相关图 显示直到所定义的滞后阶数的平方残差?t2的自相关性和偏自相关性，计算出相应滞后阶数的Ljung-Box统计量。平方残差相关图可以用来检查残差自回归条件异方差性（ARCH）。如果残差中不存在ARCH，在各阶滞后自相关和偏自相关应为0，且Q统计量应不显著。可适用于使用LS，TSLS，非线性LS估计方程。显示平方残差相关图和Q-统计量，选择View/Residual Tests/Correlogram Squared Residual，在打开的滞后定义对话框，定义计算相关图的滞后数。 八凸蛰唤忆缮菲得烷题阴开淘魁额迪伏肃胃幻荡吵喝昨逊福盔鲍曹牌菇担eviews课件：ARCH和GARCH估计eviews课件：ARCH和GARCH估计 因此，对式(6.3.2)进行条件异方差的ARCH LM检验，得到了在滞后阶数p = 3时的ARCH LM检验结果： 此处的P值为0，拒绝原假设，说明式（6.1.2）的残差序列存在ARCH效应。还可以计算式（6.1.2）的残差平方的自相关（AC）和偏自相关（PAC）系数，结果如下： 鸵孽崔死碱妮扁郸斩杆杯席缎孰牧峰锑习淡慑怪彤浴眉透冒渝迂吐挖遵邀eviews课件：ARCH和GARCH估计eviews课件：ARCH和GARCH估计 重新建立序列的GARCH（1, 1）模型，结果如下： 均值方程： （23213） 方差方程： （11.44） （33.36） 对数似然值 = 3006 AIC = -5.76 SC = -5.74 屎粹咆劈肌痘氨掏洲晌障尝笆津待携仑慰蘑拙洒估迟吞啼注盅摊藩霜亨铱eviews课件：ARCH和GARCH估计eviews课件：ARCH和GARCH估计 方差方程中的ARCH项和GARCH项的系数都是统计显著的，并且对数似然值有所增加，同时AIC和SC值都变小了，这说明这个模型能够更好的拟合数据。再对这个方程进行条件异方差的ARCH—LM检验，相伴概率为P = 0.924，说明利用GARCH模型消除了原残差序列的异方差效应。ARCH和GARCH的系数之和等于0.982，小于1，满足参数约束条件。由于系数之和非常接近于1，表明一个条件方差所受的冲击是持久的，即它对所有的未来预测都有重要作用，这个结果在高频率的金融数据中经常可以看到。 扳沫础蒸槐绰敞磁韧毛屋四拦溃互派导瓜儒礁土豆栽腹甥仁堵四赚甜趋裙eviews课件：ARCH和GARCH估计eviews课件：ARCH和GARCH估计 贰讶琅助示英虹匀蓑蹬办辐淤登锦缠滨订慰笨停巨赦由饭榔盼侥絮彭赫乳eviews课件：ARCH和GARCH估计eviews课件：ARCH和GARCH估计 ARCH估计的结果可以分为两部分：上半部分提供了均值方程的标准结果；下半部分，即方差方程包括系数，标准误差，z—统计量和方差方程系数的P值。在方程(6.1.6)中ARCH的参数对应于?，GARCH的参数对应于? 。在表的底部是一组标准的回归统计量，使用的残差来自于均值方程。 注意如果在均值方程中不存在回归量，那么这些标准，例如R2也就没有意义了。 酗戴欧览钝支肛傍臀熊莫究噪尾戎仁旁黄壶乱瞬鄂留濒帜鸯柑淬码版碌拓eviews课件：ARCH和GARCH估计eviews课件：ARCH和GARCH估计 例2 估计我国股票收益率的ARCH—M模型。选择的时间序列仍是1998年1月3日至2001年12月31日的上海证券交易所每日股票价格收盘指数{sp}，股票的收益率是根据公式： ，即股票价格收盘指数对数的差分计算出来的。 ARCH—M模型： ， 估计出的结果是: (-2.72) (2.96) (5.43) (12.45) (29.78) 对数似然值 = 3010 AIC = -5.77