EVIEWS中GARCH模型的均值方程如何估计 获得了条件均值和方差方程，怎么计算波动率
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！
获得了条件均值和方差方程，怎么计算波动率
以哈飞股份()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.gt3），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 βlt1，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
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。
DCC garch模型用winrats实现
open data C:UserszhangyuDesktop1.csvdata(format=free,org=obs) 1 748 R1 R2system(model=var1)variables R1 R2lags 1det constantend(system)garch(p=1,q=1,model=var1,mv=bekk,pmethod=simplex,piters=10,robust,hmatrices=hh,rvectors=rr) / R1 R2 set stdR1=rr(t)(1)/sqrt(hh(t)(1,1))set stdR2=rr(t)(2)/sqrt(hh(t)(2,2))@mvqstat(lags=12)# stdR1@mvqstat(lags=12)# stdR2@mvqstat(lags=12)# stdR1 stdR2set stdR1sq = stdR1**2set stdR2sq = stdR2**2@mvqstat(lags=12)# stdR1sq @mvqstat(lags=12)# stdR2sq @mvqstat(lags=12)# stdR1sq stdR2sq
使用matlab建立egarch模型需要考虑均值方程吗
需要。
又称“广义ARCH模型（Generalized ARCH）”、“广义自回归条件异方差模型”
自从Engle(1982)提出ARCH模型分析时间序列的异方差性以后，
波勒斯列夫T.Bollerslev(1986)又提出了GARCH模型，GARCH模型是一个专门针对金融数据所量体订做的回归模型，除去和普通回归模型相同的之处，GARCH对误差的方差进行了进一步的建模。