garch模型族的EVIEWS的操作.ppt

eviews操作GARCH模型建模，案例操作，Eviews简介，Eviews是EcOnomic Mechanical View的缩写，字面翻译为计量经济学观察，它最初是为了“观察”社会经济关系和经济活动的数量规律，使用计量经济学的方法和技术，并被称为计量经济学软件包。Eviews可用于从数据中快速找到统计关系，并利用获得的关系预测数据的未来价值。Eviews的应用范围包括：计量经济学的应用整体经济的研究和预测财务数据分析销售预测和财务分析成本分析和预测蒙特卡罗模拟经济模型的估计和模拟利率和外汇预测等。Eviews的主要功能是操作灵活简单，可以使用多种操作方法进行各种计量经济分析和统计分析，使得数据管理、处理和分析简单方便。它的主要功能是：(1)以统一的方式管理数据，并通过对象、视图和过程实现对数据的各种操作；(2)输入、扩展和修改时间序列数据或区间数据，并根据现有序列根据任何复杂公式生成新序列；Eviews的主要功能是：(3)计算描述性统计量：相关系数、协方差、自相关系数、互相关系数和直方图；(4) T检验、方差分析、协整检验、格兰杰因果检验；(5)执行普通最小二乘法、带自回归校正的最小二乘法、两阶段最小二乘法和三阶段最小二乘法、非线性最小二乘法、广义矩估计法、ARCH模型估计法等。(6)备选决策模型的Probit、logit和Gompit估计；Eviews的主要功能是：(7)线性方程的线性和非线性估计；(8)估计和分析向量自回归系统；(9)多项式分布滞后模型的估计；(10)回归方程的预测；(11)模型的求解和仿真；(12)数据库管理；(13)与外部软件的数据交换。第7页，时间序列建模步骤，案例操作，第3页，案例操作，上海180指数收益率波动性分析，这次选择了2008年8月1日至2010年11月3日的上海180指数收盘价，共计548个观察值。在此基础上，建立一个序列p，然后构造其对数回归序列r。建立了序列r的条件异方差模型，研究了其收益率波动性。上海证券交易所180指数：上海证券交易所调整并更名为原上海证券交易所30指数。它的样本股票是所有a股股票中最具代表性的180种股票。它反映了上海证券市场的总体情况和运行情况，可作为投资评估和金融衍生品的基准指标。资料来源：上海证券报。当建立新的工作文件选择菜单文件/新建/工作文件时，将出现数据频率对话框。如图所示，第13页和第14页，您可以在“工作文件频率”中选择数据的频率，包括年度、半年度、季度、月度、周、日(每周5天、每周7天)以及非时间序列或不规则数据。您可以在“开始日期”文本框中输入开始日期，在“结束日期”文本框中输入结束日期，年份用“:”与下列数字隔开。具体日期表示为：年：20世纪有两位数，其余都是四位数字。例如，从1999年到2009年，只需在开始日期中输入1999年。在结束日期中输入2009。六个月：一两年后；例如，从1999年上半年到2009年下半年，在开始日期中输入1999: 1。在结束日期中输入2009: 2。季度：1-4年后；从1999年第一季度到2009年第三季度，在开始日期中输入1999: 1。在结束日期中输入2009: 3，第15页，第16页，月份：年后的1-12个月；例如，从1999年1月到2009年12月，在开始日期中输入1999: 1。在结束日期中输入2009: 12。周：月/周/年；例如，从2007年1月的第一周到2009年1月的第四周，在开始日期中输入1/1/2007。在结束日期中输入1/4/2009天：月/日/年；例如，从2008年3月5日到2009年8月20日，在开始日期中输入3/5/2008。在结束日期中输入8/20/2009。非时间序列或不规则数据：输入样本数。例如，如果样本数为200，请在开始日期中输入1。在结束日期中输入200。第17页，选择最后一个整数数据，在开始日期中输入1；在结束日期中输入548。序列可以通过直接输入法、复制法和导入法建立。直接输入方式/复制方式：点击查看主菜单中的对象/新建对象，出现如图所示的对话框。点击确定按钮，直接输入采集的数据或复制得到序列：导入方式：将保存在EXCEL等文档中的数据导入序列。在主菜单中选择文件/导入/读取文本-Lotus-Excel，找到保存的数据Excel文件，点击“打开”，出现如图所示的对话框。即数据被导入到序列p中，建立对数收益率序列单击Eviews中工作文件菜单中的对象/生成保留，并键入表达式以形成新序列。表达经常被使用：d代表差异；对数代表对数。Exp代表指数；2代表二等分.第20页，第21页。在这种情况下，序列P的数据是对数的，然后被微分以获得新的序列R，其代表对数收益率。输入表达式为r=dlog(p)，如图：获得工作表，如图：从而完成数据导入。序列描述性分析，1。绘制时间序列图双击序列r，在视图中单击视图-图形-线条，得到对数收益率rt的时间序列图如下：从上海180指数对数收益率序列r的线性图中，可以观察到对数收益率波动的“集群”现象：在某些时间段内波动较小(如第150个观察值到第200个观察值)，在某些时间段内波动很大(如第40个数据到第100个数据)。第24页，第25页，然后在视图中单击视图-描述性统计-直方图和状态，得到对数收益率柱状图，如下：从图中可以看出，上海能源指数对数收益率序列的均值为0.000256，标准差为0.001426，偏度为-0.141，小于0，表明序列分布有一个长的左尾。峰度为4.596，高于正态分布的峰度值3，表明产量序列具有尖峰厚尾的特征。Jarque-Bera统计值为59.85，p值为0.00000，这否定了对数回归序列服从正态分布的假设。第26页，检查序列的稳定性，第27页，点击查看-单位根测试，测试类型，选择增强数据基-富勒，ADF测试结果如下：第28页，T统计值-22.88，对应的P值接近0，表示序列r稳定。序列的自相关和偏自相关测试点击视图中的查看-相关图，在Lagstoinclude中输入12，然后点击确定，得到对数收益率的自相关函数分析图。从图中可以看出，序列的自相关和偏自相关系数都在估计标准偏差的两倍以内，q统计量的相应p值都大于0.05的置信水平，因此在5%的显著性水平上没有显著的相关性。因为序列之间没有显著的相关性，所以均值方程被设置为白噪声。设置模型：rt= t t，第32页，对r进行去平均以获得w:操作：对象/生成输入w=r-0.000256，然后查看w序列的描述性统计：第33页，检查ARCH效应，第34页，有两种方法来检查ARCH效应：LM方法(拉格朗日乘数测试)和残差的平方相关图测试。在这种情况下，因为ARMA没有被建模，并且在E视图中没有直接的LM方法，所以采用第二种方法。首先建立w的二分方程z，在对象/生成库中输入z=w2，然后在视图中点击查看-相关图，点击确定，得到对数收益率的自相关函数分析图。第35页，如图所示：序列具有自相关性，因此具有ARCH效应。GARCH模型的建立，(1)GARCH模型，(2)T-GARCH模型，(3)E-GARCH模型，第36页，第37页，常用的GARCH模型包括GARCH(1，1)，GARCH(1，2)，GARCH(2，1)我们使用多种模型来建模，下面以GARCH(1，1)为例：点击主菜单快速/估计方程获得如下对话框。在方法中选择GARCH，在均值方程框中输入W，在ARCH和GARCH处选择1，然后单击确定。第38页，(1) GARCH (1，1)，第39页，第40页，(1) GARCH (2，1)，第41页，(1) GARCH (1，2)，基于以上三个模型的比较，GARCH (1，1)的所有系数都通过了T检验，效果最好！然后考虑T-GARCH和E-GARCH分别建模。第42页，T-GARCH的操作是：单击主菜单“快速/估计等式”获得以下对话框，在“方法”中选择“GARCH/TGARCH”，然后将阈值输入为1，然后单击“确定”。如下图所示：第43页，第44页，T-GARCH (1，1)，E-GARCH的操作是：点击主菜单快速/估计等式，得到如下对话框，在方法中选择EGACH，输入阈值为0，点击确定。下图：第46页，Egach (1，1)模型具有显著参数，这表明序列具有杠杆作用，可以通过“ARCH-M”进一步测试：第47页，第48页，系数不显著(当使用方差时，系数不显著)，这表明不存在ARCH-M过程。模型验证，对建立的EARC(1，1)模型进行残差ARCH效应检验，点击EARC(1，1)结果输出窗口VIEW/残差检验/ARCHLMTESTLAG=滞后顺序，可分别取1、4、8、12；以滞后=4为例，输出结果如下：第49页，在各种滞后值下，F统计不显著，表明模型中不再存在ARCH效应。由第50页建立的EGACH (1，1)模型如下：(1)由于统计量的正态分布检验在以前的R描述统计量中被发现是失败的，我们可以尝试在残差服从T分布和GED分布的情况下进行E-视图建模。假设残差遵循t分布的运算过程：快速/估计方程，得到如下对话框。方法中选取的样本