实验14Garch自回归异方差模型

实验14G(ARCH)模型在金融数据中的应用实验目的理解自回归异方差（Autoregressiveconditionalheteroscedasticity）模型的概念及建立的必要性和合用的场合。理解G(ARCH)模型的多个不同类型，如GARCH-M模型（GARCHinmean），EGARCH模型(ExponentialGARCH)和TARCH模型(又称GJR)。掌握对G(ARCH)模型的识别、预计即如何运用Eviews软件在实证研究中实现。实验内容及规定内容：以上证指数和深证成分指数为研究对象，选用1997年1月2日到12月31日共六年每个交易日上证指数和深证成分指数的收盘价为样本，完毕下列实验环节：（一）、对沪深股市的收益率作波动性研究（二）、对股市收益波动作非对称性的研究（三）、对沪深股市作波动溢出效应研究规定：深刻理解本章的概念；对实验环节中提出的问题进行思考；纯熟掌握实验的操作环节，并得到有关成果。实验指导（一）、对沪深股市的收益率作波动性研究描述性统计(1)导入数据，建立工作组打开Eviews软件，选择“File”菜单中的“New\Workfile”选项，在“Workfilestructuretype”框中选择unstructured/undated（思考：为什么用非规则形式），在“Daterange”输入1444，以下图14-1：图14-1单击OK，再在命令行输入datashsz,把上证综指和深圳成指1997-1-2号到-12-31号数据输入。（2）生成收益率的数据列在Eviews窗口主菜单栏下得命令窗口中键入以下命令：genrrh=log(sh/sh(-1))，回车后即形成沪市收益率的数据序列，同样的办法可得深市收益数剧序列(genrrz=log(sz/sz(-1))。新工作组如图14-2：图14-2（3）观察收益率sh的描述性统计量双击选用“rh”数据序列，在出现的窗口中选择view菜单下“DescriptiveStatistics”菜单中的“HistogramandStats”子菜单，则可得收益率rh的描述性统计量，以下图7-3：图7-3同样的环节可得收益率rz的描述性统计量。观察这些数据，并得出有关结论。2.平稳性检查（1）再次双击选用rh序列，选择View菜单下的子菜单“UnitRootTest”，出现以下窗口（图7-4）：图7-4对该序列进行ADF单位根检查，选择滞后4阶，带截距项而无趋势项，因此采用窗口的默认选项，成果以下图7-5：图7-5（2）对rz做单位根检查后，得成果如图7-6：图7-6（3）思考：成果分别阐明数据序列rh、rz是稳定的还是非稳定的？3.均值方程的拟定及残差序列自有关检查通过对收益率rh和rz的自有关检查(在rh序列窗口，点击view\correlogram)，我们发现两市的收益率都与其滞后15阶存在明显的自有关（思考：如何通过Eviws检查），因此对两市收益率的均值就其滞后15阶做自回归，方程都采用以下形式：对收益率rh做自回归在Eviews主菜单中选择“Quick”，并在下拉菜单中选择“EstimationEquation”,出现以下窗口图7-7图7-7在“Method”中选择LS（即普通最小二乘法），然后在“Estimationsettings”上方空白处输入图示变量，单击“OK”，则出现图7-8：图7-8（2）用Ljung-BoxQ统计量对均值方程拟和后的残差及残差平方做自有关检查：选择“View”菜单下“ResidualTest”子菜单的项，则可得该方程残差项的自有关系数acf值和pacf值（在LagSpecification窗口中选10阶），如图7-9图7-9图7-10(3)在命令栏中输入命令：genrres1=resid^2，得到该方程残差平方的数据序列res1同样，可得序列rz的回归方程及回归方程残差项的acf值和pacf值，如图7-11和图7-12：图7-9到7-10表明两回归方程的残差都不存在明显的自有关，但残差平方有明显的自有关。图7-11图7-12（5）对残差平方做线性图。双击选用序列res1，在新出现的窗口中选择“View”菜单下的“LineGraph”，得到res1的线性图如图7-13：图7-133同样的，rz的残差平方res2的线性图如图：图7-14观察能够发现波动含有明显的时间可变性（timevarying）和集簇性（clustering）（6）对残差进行ARCH-LMTest根据环节（1），再对rh做一次滞后15阶的回归，在出现的equation窗口中选择“View”菜单下“ResidualTest”子菜单的“Arch-LMTest”项（取滞后一阶），得以下成果（图7-15）：HeteroskedasticityTest:ARCH F-statistic 44.81901 Prob.F(1,1425) 0.0000Obs*R-squared 43.51334 Prob.Chi-Square(1) 0.0000 TestEquation: DependentVariable:RESID^2 Method:LeastSquares Date:05/16/18Time:22:48 Sample(adjusted):181444 Includedobservations:1427afteradjustments Variable Coefficient Std.Error t-Statistic Prob. C 0.000218 2.08E-05 10.46899 0.0000RESID^2(-1) 0.174625 0.026084 6.694700 0.0000 R-squared 0.030493 Meandependentvar 0.000264AdjustedR-squared 0.029813 S.D.dependentvar 0.000754S.E.ofregression 0.000743 Akaikeinfocriterion -11.57130Sumsquaredresid 0.000786 Schwarzcriterion -11.56392Loglikelihood 8258.120 Hannan-Quinncriter. -11.56854F-statistic 44.81901 Durbin-Watsonstat 2.039487Prob(F-statistic) 0.000000 图7-15对rz方程回归后的残差项同样可做Arch-LMTest，成果如图7-16：图7-16得到的成果同样阐明残差中ARCH效应是很明显的，因此考虑进行GARCH类模型建模。（6）GARCH类模型建模选择“Quick”菜单下“EstimateEquation”菜单，在出现的如图7-17窗口中输入图示变量，点击“OK”键后得到rh数据序列的GRACH(1，1)模型预计成果，如图7-18：。图7-17图7-18同理，rz数据序列的GRACH(1，1)模型预计成果，如图7-19：图7-19可见，沪深股市收益率条件方差方程中ARCH项和GARCH项都是高度明显的，表明收益率{}序列含有明显的波动集簇性。（7）GARCH-M(1,1)预计成果在“EquationSpecification”窗口的“ARCH-M”列表中选择“Variance”，单击“OK”键后，得以下预计成果，图7-20：图7-20同理，收益率rz的GARCH-M(1,1)预计成果以下图图7-21：图7-21很明显，沪深两市均值方程中条件方差项GARCH的系数都是明显的。它们反映两市的收益与风险的正有关关系，也阐明收益有正的风险溢价，并且上海股市的风险溢价要高于深圳。这阐明上海股市的投资者更加地厌恶风险（riskaverse），规定更高的风险赔偿。（二）、对股市收益波动作非对称性的研究TARCH模型预计成果与GARCH(1,1)不同的是，在图7-17中的“ARCHSpecification”下拉列表中选择“TARCH”，则得rh、rz的TARCH模型预计成果，分别以下图7-22和图7-23：图7-22图7-23预计成果中，（RESID<0）*ARCH(1)的系数都不不大于零，并且明显，并有rh方程的系数不不大于rz方程的系数，这阐明沪深股市中坏消息引发的波动比同等大小的好消息引发的波动要大，沪深股市都存在杠杆效应。EARCH模型预计成果在图7-17的“ARCHSpecification”下拉列表中再次选择“EGARCH”，则得rh、rz的EGARCH模型预计成果，分别以下图7-24和图7-25：图7-24图7-25在EGARCH中，RES/SQR[GARCH](1)项系数的预计值都不大于零并且明显，这也阐明了沪深股市中都存在杠杆效应。（三）、对沪深股市作波动溢出效应研究检查两市波动的因果性提取条件方差重复环节（7），选择主菜单栏“Procs”下的“MakeGarchVarianceSeries”，得到残差项的条件方差数据序列GARCH01，同样的环节得sz回归方程残差项的条件方差数据序列GARCH02。（2）检查两市波动的因果性在“Workfile”中同时选中“garch01”和“garch02”，右击，选择“Open”―“AsGroup”，在弹出的窗口中点击“View”―“GrangerCausality”，并选择滞后阶数（此处以选择滞后阶数5为例），成果以下图7-26图7-26思考：分别对1到5阶作检查后，检查