garch模型族的EVIEWS的操作.ppt

GARCH類模型建模的Eviews操作 實(shí)例操作 3 Eviews簡介 Eviews是EconometricsViews的縮寫 直譯為計(jì)量經(jīng)濟(jì)學(xué)觀察 本意是對社會經(jīng)濟(jì)關(guān)系與經(jīng)濟(jì)活動的數(shù)量規(guī)律 采用計(jì)量經(jīng)濟(jì)學(xué)方法與技術(shù)進(jìn)行 觀察 稱為計(jì)量經(jīng)濟(jì)學(xué)軟件包 使用Eviews可以迅速地從數(shù)據(jù)中尋找出統(tǒng)計(jì)關(guān)系 并用得到的關(guān)系去預(yù)測數(shù)據(jù)的未來值 Eviews簡介 Eviews的應(yīng)用范圍包括 應(yīng)用經(jīng)濟(jì)計(jì)量學(xué) 總體經(jīng)濟(jì)的研究和預(yù)測 金融數(shù)據(jù)分析 銷售預(yù)測及財(cái)務(wù)分析 成本分析和預(yù)測 蒙地卡羅模擬 經(jīng)濟(jì)模型的估計(jì)和仿真 利率與外匯預(yù)測等等 Eviews主要功能 操作靈活簡便 可采用多種操作方式進(jìn)行各種計(jì)量分析和統(tǒng)計(jì)分析 使數(shù)據(jù)管理 處理和分析簡單方便 其主要功能有 1 采用統(tǒng)一的方式管理數(shù)據(jù) 通過對象 視圖和過程實(shí)現(xiàn)對數(shù)據(jù)的各種操作 2 輸入 擴(kuò)展和修改時間序列數(shù)據(jù)或截面數(shù)據(jù) 依據(jù)已有序列按任意復(fù)雜的公式生成新的序列 Eviews主要功能 3 計(jì)算描述統(tǒng)計(jì)量 相關(guān)系數(shù) 協(xié)方差 自相關(guān)系數(shù) 互相關(guān)系數(shù)和直方圖 4 進(jìn)行T檢驗(yàn) 方差分析 協(xié)整檢驗(yàn) Granger因果檢驗(yàn) 5 執(zhí)行普通最小二乘法 帶有自回歸校正的最小二乘法 兩階段最小二乘法和三階段最小二乘法 非線性最小二乘法 廣義矩估計(jì)法 ARCH模型估計(jì)法等 6 對二擇一決策模型進(jìn)行Probit logit和Gompit估計(jì) Eviews主要功能 7 對聯(lián)立方程進(jìn)行線性和非線性的估計(jì) 8 估計(jì)和分析向量自回歸系統(tǒng) 9 多項(xiàng)式分布滯后模型的估計(jì) 10 回歸方程的預(yù)測 11 模型的求解和模擬 12 數(shù)據(jù)庫管理 13 與外部軟件進(jìn)行數(shù)據(jù)交換 Page 7 時間序列建模步驟 實(shí)例操作 3 實(shí)例操作 上證180指數(shù)收益率波動率分析 本次選取了上證180指數(shù)于2008年8月1日到2010年11月3日的收盤價 共548個觀測值 并以此建立序列 p 進(jìn)而構(gòu)建其對數(shù)收益率序列 r 對序列 r 建立條件異方差模型 并研究其收益波動率 上證180指數(shù) 是上海證券交易所對原上證30指數(shù)進(jìn)行了調(diào)整并更名而成的 其樣本股是在所有A股股票中抽取最具市場代表性的180種樣本股票 它反映上海證券市場的概貌和運(yùn)行狀況 能作為投資評價尺度及金融衍生產(chǎn)品基礎(chǔ)的基準(zhǔn)指數(shù) 數(shù)據(jù)來源 上海證券報 建立新的工作文件選擇菜單File New workfile 則出現(xiàn)數(shù)據(jù)的頻率對話框 如圖 Page 13 Page 14 可在 Workfilefrequency 中選擇數(shù)據(jù)的頻率 可選的頻率包括年度 半年 季度 月度 星期 天 每周5天 每周7天 以及非時間序列或不規(guī)則數(shù)據(jù) 可在 Startdate 文本框中輸入起始日期 Enddate 文本框中輸入終止日期 年度與后面的數(shù)字用 分隔 具體的日期的表示法為 年度 二十世紀(jì)可用兩位數(shù) 其余全用四位數(shù)字 如 從1999到2009 只需在Startdate中輸入1999 Enddate中輸入2009即可 半年 年后加1或2 如 從1999年上半年到2009年下半年 在Startdate中輸入1999 1 Enddate中輸入2009 2 季度 年后加1 4 從1999年第一季度到2009年第三季度 在Startdate中輸入1999 1 Enddate中輸入2009 3 Page 15 Page 16 月度 年后加1 12 如 從1999年1月到2009年12月 在Startdate中輸入1999 1 Enddate中輸入2009 12 周 月 周 年 如 從2007年1月第一周到2009年1月第四周 在Startdate中輸入1 1 2007 Enddate中輸入1 4 2009天 月 日 年 如 從2008年3月5日到2009年8月20日 在Startdate中輸入3 5 2008 Enddate中輸入8 20 2009 非時間序列或不規(guī)則數(shù)據(jù) 輸入樣本個數(shù) 如 樣本數(shù)為200 在Startdate中輸入1 Enddate中輸入200 Page 17 本案例中選擇最后一個integer data Startdate中輸入1 Enddate中輸入548 建立序列可以采用直接輸入法 復(fù)制法 導(dǎo)入法 直接輸入法 復(fù)制法 點(diǎn)擊EViews主菜單中的Objects NewObject 出現(xiàn)如圖所示的對話框 點(diǎn)擊OK后就可以直接輸入收集到的數(shù)據(jù)或是復(fù)制得到序列 導(dǎo)入法 把存于EXCEL等文檔的數(shù)據(jù)導(dǎo)入序列中 選擇主菜單中File Import ReadText Lotus Excel 找到已經(jīng)存好的數(shù)據(jù)Excel文件 點(diǎn)擊 打開 后 出現(xiàn)如圖所示對話框 在NamesforseriesorNumberifnamedinfile選框中序列名稱p 即將數(shù)據(jù)導(dǎo)入了該序列p 建立對數(shù)收益率序列點(diǎn)擊Eviews中workfile菜單中的Objects GenerateSeries 鍵入一個表達(dá)式 可形成一個新的序列 常使用到表達(dá)式 D代表差分 Log代表取對數(shù) Exp代表取指數(shù) 2代表平分 Page 20 Page 21 本案例中對序列p的數(shù)據(jù)取對數(shù)然后差分 得到新的序列r 代表對數(shù)收益率 輸入的表達(dá)式為r dlog p 如圖所示 得到工作表 如圖所示 至此完成數(shù)據(jù)導(dǎo)入工作 序列描述性分析 從上證180指數(shù)對數(shù)收益率序列r的線性圖中 可觀察到對數(shù)收益率波動的 集群 現(xiàn)象 波動在一些時間段內(nèi)較小 例如從第150個觀測值到第200個觀測值 在有的時間段內(nèi)非常大 例如從第40個數(shù)據(jù)到第100個數(shù)據(jù) Page 24 Page 25 然后在視圖中點(diǎn)擊view descriptivestatistics histogramandstats就得到了對數(shù)收益率的柱形統(tǒng)計(jì)圖 如下 由圖可知 上證能源指數(shù)對數(shù)收益率序列均值 Mean 為0 000256 標(biāo)準(zhǔn)差 Std Dev 為0 001426 偏度 Skewness 為 0 141 小于0 說明序列分布有長的左拖尾 峰度 Kurtosis 為4 596 高于于正態(tài)分布的峰度值3 說明收益率序列具有尖峰和厚尾的特征 Jarque Bera統(tǒng)計(jì)量為59 85 P值為0 00000 拒絕該對數(shù)收益率序列服從正態(tài)分布的假設(shè) Page 26 考察序列的平穩(wěn)性 Page 27 點(diǎn)擊View UnitRootTest TestType選擇AugmentedDickey Fuller 得到ADF檢驗(yàn)的結(jié)果如下 Page 28 t統(tǒng)計(jì)量的值 22 88 對應(yīng)P值接近0 表明序列 r 平穩(wěn) 序列自相關(guān)和偏自相關(guān)檢驗(yàn)在視圖中點(diǎn)擊View correlogram 在Lagstoinclude中鍵入12 然后點(diǎn)擊ok 就得到了對數(shù)收益率的自相關(guān)函數(shù)分析圖 Page 29 Page 30 從圖中可以看出 序列的自相關(guān)和偏自相關(guān)系數(shù)均落入兩倍的估計(jì)標(biāo)準(zhǔn)差內(nèi) 且Q 統(tǒng)計(jì)量的對應(yīng)的p值均大于置信度0 05 故序列在5 的顯著性水平上不存在顯著的相關(guān)性 Page 31 回歸模型的建立由于序列不存在顯著的相關(guān)性 因此將均值方程設(shè)定為白噪聲 設(shè)立模型 rt t t Page 32 將r去均值化 得到w 操作為 Objects GenerateSeries輸入w r 0 000256再看w序列的描述性統(tǒng)計(jì) Page 33 檢驗(yàn)ARCH效應(yīng) Page 34 檢驗(yàn)ARCH效應(yīng)有兩種方法 LM法 拉格朗日乘數(shù)檢驗(yàn)法 和對殘差的平方相關(guān)圖檢驗(yàn) 本案例中由于沒有對ARMA建模 E views中沒有直接的LM法 所以采用第二種方法 首先建立w的平分方程z 在Objects GenerateSeries輸入z w2 然后在視圖中點(diǎn)擊view correlogram 然后點(diǎn)擊ok 就得到了對數(shù)收益率的自相關(guān)函數(shù)分析圖 Page 35 如圖所示 序列存在自相關(guān) 所以有ARCH效應(yīng) 建立GARCH類模型 1 GARCH模型 2 T GARCH模型 3 E GARCH模型 Page 36 Page 37 常用的GARCH模型包括GARCH 1 1 GARCH 1 2 GARCH 2 1 我們分別用多個模型建模 以下以GARCH 1 1 為例 點(diǎn)擊主菜單Quick EstimateEquation 得到如下對話框 在Method選擇GARCH 在Meanequation框中輸入w ARCH和GARCH處都選擇1 點(diǎn)擊確定 Page 38 1 GARCH 1 1 Page 39 Page 40 1 GARCH 2 1 Page 41 1 GARCH 1 2 基于以上三個模型的比較 GARCH 1 1 所有的系數(shù)都通過t檢驗(yàn) 效果最好 再考慮T GARCH和E GARCH再分別進(jìn)行建模 Page 42 T GARCH的操作為 點(diǎn)擊主菜單Quick EstimateEquation 得到如下對話框 在Method選擇GARCH TGARCH 再將Threshold數(shù)值輸入1 點(diǎn)擊確定 如下圖 Page 43 Page 44 T GARCH 1 1 E GARCH的操作為 點(diǎn)擊主菜單Quick EstimateEquation 得到如下對話框 在Method選擇EGARCH 再將Threshold數(shù)值輸入0 點(diǎn)擊確定 如下圖 Page 46 EGARCH 1 1 模型的參數(shù)均顯著 說明序列具有杠桿性 可以進(jìn)一步加入 ARCH M 檢驗(yàn) Page 47 Page 48 系數(shù)不顯著 用Variance時系數(shù)一樣不顯著 說明不存在ARCH M過程 模型驗(yàn)證 對建立的EARCH 1 1 模型進(jìn)行殘差A(yù)RCH效應(yīng)檢驗(yàn) 點(diǎn)擊EARCH 1 1 結(jié)果輸出窗口View ResidualTest ARCHLMTest Lag 滯后階數(shù) 可以分別取1 4 8 12 以lag 4為例 輸出結(jié)果如下所示 Page 49 各種lag值情形下 F統(tǒng)計(jì)量均不顯著 說明模型已經(jīng)不存在ARCH效應(yīng) Page 50 建立的EGARCH 1 1 模型如下 由于之前對r的描述統(tǒng)計(jì)中發(fā)現(xiàn)統(tǒng)計(jì)的正態(tài)分布檢驗(yàn)沒有通過 可以試圖做殘差服從t分布和GED分布的E views建模 Page 51 Page 52 假設(shè)殘差服從t分布操作過程 Quick EstimateEquation 得到如下對話框 在Method