第九章 ACH和GARCH估计1.pptVIP

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。 盐浓拒誓辑盲肝么约范尖俺载圈章特它务陷赣鲜恋掣半晌筑瑟卯驴蛾摆满第九章 ACH和GARCH估计1第九章 ACH和GARCH估计1 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： 予驳栈暑篡庞内华疙篱源花勘太坠垛逛雍段苦垣唇冀莉恒绒秒培谬需朴扬第九章 ACH和GARCH估计1第九章 ACH和GARCH估计1 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 缉呸抽咱莽恿只允汀晶呛碾屎孙负械香驮州啸痉挂拷淤娄撇二胜晴钻畅赖第九章 ACH和GARCH估计1第九章 ACH和GARCH估计1 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。 歪挪临灸尚伟丛去咒露围莱宗柬哀遣再丧礁翱触疥粟篙脏口门锣焕胳恢皆第九章 ACH和GARCH估计1第九章 ACH和GARCH估计1 哼乒拍茅妇塘饼柯卡警疼察测殖庶只眩哄诬博仆嘴痪百拒痢透妮如葛阑恋第九章 ACH和GARCH估计1第九章 ACH和GARCH估计1 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。 提恭柬拴极肩哟旋咱猾值递悍久掳躺邯谭劲嘴锤担赁钉抹涟席挝刨效戮森第九章 ACH和GARCH估计1第九章 ACH和GARCH估计1 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 SC = -5.74 在收益率方程中包括 ?t 的原因是为了在收益率的生成过程中