自回归条件异方差模型演示文稿.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。 本文档共73页；当前第31页；编辑于星期一\20点5分 因此，对式(9.3.2)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（）的残差序列存在ARCH效应。还可以计算式（）的残差平方的自相关（AC）和偏自相关（PAC）系数，结果如下： 本文档共73页；当前第32页；编辑于星期一\20点5分 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 本文档共73页；当前第33页；编辑于星期一\20点5分 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。 本文档共73页；当前第34页；编辑于星期一\20点5分 本文档共73页；当前第35页；编辑于星期一\20点5分 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(9.1.6)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。 本文档共73页；当前第36页；编辑于星期一\20点5分 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融入风险测量，这是许多资产定价理论模型的基础 —— “均值方程假设” 的含义。在这个假设下，? 应该是正数，结果 ? = 0.27，因此我们预期较大值的条件标准差与高收益率相联系。估计出的方程的所有系数都很显著。并且系数之和小于1，满足平稳条件。均值方程中?t 的系数为0.27，表明当市场中的预期风险增加一个百分点时，就会导致收益率也相应的增加0.27个百分点。 本文档共73页；当前第37页；编辑于星期一\20点5分 本文档共73页；当前第38页；编