1. 请问如何用eviews中的garch模型分析股指期货的套期保值比率?已经有数据了
前提是你要先建立garch模型
然后才可以做arch
lm
test
2. 两个序列,期货价格(x)和股价(y),怎么用eviews进行GARCH模型回归?该输入什么?
你这个问题有问题。最近我也在这方面的论文。GARCH和回归是两码事,而且这两个之间回归没有意义。
你可以使用Granger因果检验对两者之间的领先滞后关系探讨。GARCH只能对一个序列进行研究,它是研究波动聚集性的,你要么对股价要么对期货价格进行GARCH建模,从平稳性检验开始一步一步往下做。
3. R语言或者EViews如何具体预测出用garch模型拟合的股票的波动率
eviews比较方便,views里面做
4. 用eviews软件计算股票波动率,garch(1,1)模型估计出来的结果如下图,请问那些数值是表示波动率的?
c————欧米伽
RESID(-1)^2——阿尔法
GARCH(-1)——贝塔
带入下面方程式
5. EVIEWS中GARCH模型的均值方程如何估计
均值方程看你如何设置,如果是常数均值方程,则直接输入y c ,然后设置波动率模型,如果均值方程是ARMA模型,则用y c AR(1) AR(2) MA(1) MA(2),波动模型自己设计啦!
6. 用matlab工具箱怎么对garch模型做预测
对garch模型做预测可以用matlab自带的garchfit()函数,该函数主要用于估计ARMAX / GARCH模型参数。garchfit()函数使用格式:
[Coeff,Errors,LLF,Innovations,Sigmas,Summary] = garchfit(Spec,Series,X)
Coeff——输入参数。接受由garchset,garchget,garchsim,garchinfer,和garchpred结构产生的参数。
Errors——系数的估计误差(即标准误差)的结构。
LLF——对于优化目标函数值与参数相关的估计发现Coeff。garchfit执行优化使用优化工具箱fmincon函数。
Innovations——创建(即残差)序列推导的时间序列列向量。
Sigmas——与创建相对应的条件标准偏差向量。
Summary——显示优化过程的摘要信息结构。
Spec——包含条件均值和方差规范的GARCH规范结构。它还包含估计所需的优化参数。通过调用garchset创建这个结构。
Series——观测的时间序列列向量。
X——观测数据的时间序列回归矩阵。
例如:
clc
spec = garchset('C',0,'K',0.0001,'GARCH',0.9,'ARCH',0.05); %指定模型的结构
[e,s,y]= garchsim(spec,1000);
[Coeff,Errors,LLF,Innovations,Sigmas,Summary] = garchfit(spec,y) %拟合参数
运行后得到的部分结果
7. r里的garch模型使用什么函数预测
以AR(3)-GARCH(2,1)模型为例:
首先在主窗口输入
LS RR RR(-1) (-2) (-3)
得出
Variable Coefficient Std. Error t-Statistic Prob.
RR(-1) 0.007606 0.059014 0.128883 0.8975
RR(-2) 0.058005 0.058549 0.990707 0.3227
RR(-3) 0.121110 0.058985 2.053245 0.0410
然后在点estimate 在下拉选项中选择ARCH
在命令窗口中再次输入
LS RR RR(-1) (-2) (-3)
并在ARCH出填入2,GARCH处为1,得出结果
Variance backcast: ON
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-2)^2 + C(7)
*GARCH(-1)
Coefficient Std. Error z-Statistic Prob.
RR(-1) 0.013392 0.056863 0.235514 0.8138
RR(-2) 0.120481 0.062146 1.938671 0.0525
RR(-3) 0.095921 0.056070 1.710743 0.0871
Variance Equation
C 0.000127 3.59E-05 3.553327 0.0004
RESID(-1)^2 -0.043907 0.029463 -1.490253 0.1362
RESID(-2)^2 0.248625 0.078855 3.152960 0.0016
GARCH(-1) 0.079769 0.211942 0.376372 0.7066
R-squared 0.003674 Mean dependent var 0.001397
Adjusted R-squared -0.017908 S.D. dependent var 0.013305
S.E. of regression 0.013423 Akaike info criterion -5.819411
Sum squared resid 0.049910 Schwarz criterion -5.729472
Log likelihood 833.3564 Durbin-Watson stat 1.974819
RR是上证综合指数的周收益,用此AR(3)-GARCH(2,1)是用残差来检验超额收益的。
8. 求助,如何利用SAS对GARCH模型做具体预测
建立模型之后做save即可,out=来做