金融时间序列分析报告报告材料第三次作业.doc

实用标准文案 精彩文档 3.4 模型为AR(1)-GARCH(1,1)，假定εt服从自由度为v的标准化的t分布，导出数据的条件对数似然函数。 数据为r=[r1, r2, …… rn] 模型为 rt=u+φ1rt-1+at at=σtεt σt2=α0+α1at-12+β1σt-12 由于εt服从自由度为v的标准化的t分布，所以有εt的概率密度函数为 f(εt)=Гv+1 其中Г(x)为Gamma函数（Гx 由于at=σtεt，at的条件似然函数为 f(am+1,……,at)=t=m+1T 所以对数条件似然函数为 L=T{ln(Гv+12)-ln(Гv2)-12ln[(v-2)n]}- 12 带入实际的数据 T=t，at=rt-u-φ1rt-1，同时又有σt2=α0+α1at-12+β1σt-12，所以有了第一个σ1后就可以递推出其余的σt。 3.5 对Intel股票的对数收益率建立GARCH模型，并进行向前1到5步的波动率预测。 数据的图形如下： 同时ACF和PACF如下： 可知模型的基本形式应该为MA(1)。 尝试对残差建立ARMA(0,1)~Garch(1,1)模型，结果为 *-----------------------------------------------------* * GARCH Model Fit * *-----------------------------------------------------* Conditional Variance Dynamics ----------------------------------- GARCH Model : sGARCH(1,1) Mean Model : ARFIMA(1,0,0) Distribution : norm Optimal Parameters ------------------------------------ Estimate Std. Error t value Pr(|t|) mu 0.025807 0.006441 4.00645 0.000062 ar1 0.027009 0.054726 0.49353 0.621640 omega 0.001235 0.000615 2.00819 0.044624 alpha1 0.089186 0.033309 2.67753 0.007417 beta1 0.836646 0.055546 15.06232 0.000000 LogLikelihood : 238.1461 检验残差的ACF 发现模型可以满足要求。 所以最终拟合的Garch模型为 (1-0.027009*B)yt=0.025807+εt εt =ut*ht ht~N(0,σn2) ut2=0.001235+0.089186*at-12+0.836646*σt-12 下面是向前1到5步的预测结果 *---------------------------------------------------------* * GARCH Model Forecast * *---------------------------------------------------------* Model: sGARCH Horizon: 10 Roll Steps: 0 Out of Sample: 0 0-roll forecast: sigma series 373 0.1233 0.02426 374 0.1236 0.02603 375 0.1240 0.02607 376 0.1243 0.02608 377 0.1246 0.02608 其中372就是03年12月的数据 下图是预测结果趋势图 3.6 (a)利用对数收益率和5%的显著性水平检验对数收益率中的相关性。 观察对数收益率的ACF图形 可以发现明显的一阶相关性。 取12阶滞后的LjungBox检验的结果如下 Box-Ljung test data: mrk X-squared = 24.3218, df = 12, p-value = 0.01838 发现有显著的自相关性。 尝试对序列建立ARMA(1,0)模型 arima(x = mrk, order = c(1, 0, 0)) Coefficients: ar1 intercept -0.0911 0.0121 s.e.