金融时间序列分析第三次作业.docVIP

3.4 模型为AR(1)-GARCH(14),假定e t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=[rn r2/ rn] 模型为 rt=u+ ? irt.x+at at= a te t % a o+ a iat-i2+ B i。t-i2 由于￡ t服从自由度为V的标准化的t分布，所以有￡ ’的概率密度函数为 ￡ 卜 厂(竽)(1 . j!i\(v+l)/2 J飞)?去+-2丿 其中 /(X)为 Gamma 函数(厂(兀)=y^x~^e~ydy) 由于at= o t e t, at的条件似然函数为 f(am+1, ?at)=nr=m+l (1 + (”_；；ot2)E2 所以对数条件似然函数为 L=T{ln( rg))-l|n[(v-2)n]4z[=i[ln( o t2)+(l+v)ln(l+ 爲爲)】 带入实际的数据 T=t, at=rru- 4＞讥小同时又冇o t2= a o+a iat-i2+ B i o bl2,所以冇了第一个o i后就可以递推出 其余的。to 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F： 同时ACF和PACF如F： 可知模型的基本形式应该为MA(1)。 尝试对残差建立ARMA(O,l)~Garch(l,l)模型，结果为 TOC \o 1-5 \h \z * * GARCH Model Fit * * Conditional Varianee Dynamics GARCH ModelMean ModelDistribution GARCH Model Mean Model Distribution :ARFIMA(l,0,0) :norm Optimal Parameters Estimate Std. Error t value Pr(|t|) mu 0.025807 0.006441 4.00645 0.000062 arl 0.027009 0.054726 0.49353 0.621640 omega 0.001235 0.000615 2.00819 0.044624 alphal 0.089186 0.033309 2.67753 0.007417 betal 0.836646 0.055546 15.06232 0.000000 LogUkelihood : 238.1461 检验残差的ACF 发现模型对以满足要求。 所以最终拟合的Garch模型为 (l-0.027009*B)yt=0.025807+ ￡ t e t=ut*ht ht~N(0) ut2=0.001235+0.089186*at.i2+0.836646* o 下血是向前1到5步的预测结果 TOC \o 1-5 \h \z * * GARCH Model Forecast * * Model: sGARCH Horiz on: 10 Roll Steps: 0 Out of Sample: 0 0-roll forecast: sigma series 0.1233 0.02426 0.1236 0.02603 0.1240 0.02607 0.1243 0.02608 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 利用对数收益率和5%的显著性水平检验对数收益率屮的札I关性。 观察对数收益率的ACF图形 町以发现明显的一?阶相关性。 取12阶滞后的LjungBox检验的结果如下 Box-Lj ung test data: mrk X-squared = 24.3218, df = 12, p-value = 0.01838 发现有显著的自和关性。 尝试对序列建立ARMA(l,0)模型 arima(x = mrk, order = c(l, 0, 0)) Coefficients: arl intercept -0.0911 0.0121 s.e. 0.0380 0.0024 sigmaA2 estimated as 0.004746: log likelihood = 868.06, aic = -1730.13 残差 mrk$residuals=(l+0.0911*B)mrkt没冇序列相关。 利用LjungBox统计量,在6以及12个间隔下验证序列的ARCH效应。 令 arch=mrk$residualsA2,进行 LjungBox 检验 间隔为6： Box ?Ljung test data: arch X-squared = 25.0263, df = 6, p-value = 0.0003376 间隔为12： Box-Lj ung test data: arch X-sq