MATLAB中,GARCH模型得到参数估计后如何得到方差序列

1. MATLAB中,GARCH模型得到参数估计后如何得到方差序列

只从你的描述还不能判断怎么解决你的问题，最好是能看到你的程序，查看下运行结果，再分析如何解决。

2. 请问怎么对一组数据用MATLAB进行arch检验并建模

用LM检测，是对均值方程中的残差进行检验吗？ y=u+残差1
var=var(t-1)+残差1的平方

此时的残差1已经是建立garch方程，若对残差1进行arch 检验，他必然存在arch效应。
所请请问此时在建立garch方程后，是如何检验方程是否仍有arch效应

3. MATLAB中garch模型的分析代码

能把market.xls文件发过来，调试用用吗？

4. 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

5. [stata] garch模型已经建立，如何检验arch效应

estat archlm, lags(8)

6. 如何用matlab求GARCH模型的参数

建立一个GARCH模型的基本程序如下
ToEstVarMdl1 = garch(1,1);

ToEs*****l11 = arima('ARLags',1,'MALags',1,'Variance',ToEstVarMdl1);

ToEs*****l21 = arima('ARLags',1:2,'MALags',1,'Variance',ToEstVarMdl1);

logL1 = [0;0];       % Preallocate

numParams1 = logL1;  % Preallocate

[Es*****l11,EstParamCov11,logl11] = estimate(ToEs*****l11,...

    y1,'Display','off');

[Es*****l21,EstParamCov21,logl21] = estimate(ToEs*****l21,...

    y1,'Display','off');

numParams11 = sum(any(EstParamCov11));

numParams21 = sum(any(EstParamCov21));

aic1 = aicbic(logL1,numParams1);

aic2 = aicbic(logL2,numParams2);

7. 如何用GARCH(1,1)求股票的具体波动率数据？

以哈飞股份(600038)为例，运用GARCH（1,1）模型计算股票市场价值的波动率。

GARCH（1,1）模型为：

(1)

(2)

其中， 为回报系数， 为滞后系数， 和 均大于或等于0。

（1）式给出的均值方程是一个带有误差项的外生变量的函数。由于是以前面信息为基础的一期向前预测方差，所以称为条件均值方程。

（2）式给出的方程中： 为常数项， （ARCH项）为用均值方程的残差平方的滞后项， （GARCH项）为上一期的预测方差。此方程又称条件方差方程，说明时间序列条件方差的变化特征。

通过以下六步进行求解：

本文选取哈飞股份2009年全年的股票日收盘价，采用Eviews 6.0的GARCH工具预测股票收益率波动率。具体计算过程如下：

第一步：计算日对数收益率并对样本的日收益率进行基本统计分析，结果如图1和图2。

日收益率采用JP摩根集团的对数收益率概念，计算如下：

其中Si，Si-1分别为第i日和第i-1日股票收盘价。

图1 日收益率的JB统计图

对图1日收益率的JB统计图进行分析可知：

（1）标准正态分布的K值为3，而该股票的收益率曲线表现出微量峰度（Kurtosis=3.748926>3），分布的凸起程度大于正态分布，说明存在着较为明显的“尖峰厚尾”形态；

（2）偏度值与0有一定的差别，序列分布有长的左拖尾，拒绝均值为零的原假设，不属于正态分布的特征；

（3）该股票的收益率的JB统计量大于5%的显著性水平上的临界值5.99，所以可以拒绝其收益分布正态的假设，并初步认定其收益分布呈现“厚尾”特征。

以上分析证明，该股票收益率呈现出非正态的“尖峰厚尾”分布特征，因此利用GARCH模型来对波动率进行拟合具有合理性。

第二步：检验收益序列平稳性

在进行时间序列分析之前，必须先确定其平稳性。从图2日收益序列的路径图来看，有比较明显的大的波动，可以大致判断该序列是一个非平稳时间序列。这还需要严格的统计检验方法来验证，目前流行也是最为普遍应用的检验方法是单位根检验，鉴于ADF有更好的性能，故本文采用ADF方法检验序列的平稳性。

从表1可以看出，检验t统计量的绝对值均大于1%、5％和10%标准下的临界值的绝对值，因此，序列在1%的显著水平下拒绝原假设，不存在单位根，是平稳序列，所以利用GARCH（1,1）模型进行检验是有效的。

图2 日收益序列图

表1ADF单位根检验结果

第三步：检验收益序列相关性

收益序列的自相关函数ACF和偏自相关函数PACF以及Ljung-Box-Pierce Q检验的结果如表3（滞后阶数 =15）。从表4.3可以看出，在大部分时滞上，日收益率序列的自相关函数和偏自相关函数值都很小，均小于0.1，表明收益率序列并不具有自相关性，因此，不需要引入自相关性的描述部分。Ljung-Box-Pierce Q检验的结果也说明日收益率序列不存在明显的序列相关性。

表2自相关检验结果

第四步：建立波动性模型

由于哈飞股份收益率序列为平稳序列，且不存在自相关，根据以上结论，建立如下日收益率方程：

(3)

(4)

第五步：对收益率残差进行ARCH检验

平稳序列的条件方差可能是常数值，此时就不必建立GARCH模型。故在建模前应对收益率的残差序列εt进行ARCH检验，考察其是否存在条件异方差，收益序列残差ARCH检验结果如表3。可以发现，在滞后10阶时，ARCH检验的伴随概率小于显著性水平0.05，拒绝原假设，残差序列存在条件异方差。在条件异方差的理论中，滞后项太多的情况下，适宜采用GARCH（1,1）模型替代ARCH模型，这也说明了使用GARCH（1,1）模型的合理性。

表3日收益率残差ARCH检验结果

第六步：估计GARCH模型参数，并检验

建立GARCH（1,1）模型，并得到参数估计和检验结果如表4。其中，RESID(-1)^2表示GARCH模型中的参数α，GARCH（-1）表示GARCH模型中的参数β，根据约束条件α+β<1，有RESID(-1)^2+GARCH（-1）=0.95083＜1，满足约束条件。同时模型中的AIC和SC值比较小，可以认为该模型较好地拟合了数据。

表4日收益率波动率的GARCH（1,1）模型的参数估计

8. GARCH模型的原理

一般的GARCH模型可以表示为：其中ht为条件方差，ut为独立同分布的随机变量，ht与ut互相独立，ut为标准正态分布。（1）式称为条件均值方程；（3）式称为条件方差方程，说明时间序列条件方差的变化特征。为了适应收益率序列经验分布的尖峰厚尾特征，也可假设 服从其他分布，如Bollerslev (1987)假设收益率服从广义t-分布，Nelson(1991)提出的EGARCH模型采用了GED分布等。另外，许多实证研究表明收益率分布不但存在尖峰厚尾特性，而且收益率残差对收益率的影响还存在非对称性。当市场受到负冲击时，股价下跌，收益率的条件方差扩大，导致股价和收益率的波动性更大；反之，股价上升时，波动性减小。股价下跌导致公司的股票价值下降，如果假设公司债务不变，则公司的财务杠杆上升，持有股票的风险提高。因此负冲击对条件方差的这种影响又被称作杠杆效应。由于GARCH模型中，正的和负的冲击对条件方差的影响是对称的，因此GARCH模型不能刻画收益率条件方差波动的非对称性。