1、,GARCH类模型建模的Eviews操作,实例操作,3,Eviews简介,Eviews是Econometrics Views的缩写，直译为计量经济学观察，本意是对社会经济关系与经济活动的数量规律，采用计量经济学方法与技术进行“观察”，称为计量经济学软件包。使用Eviews可以迅速地从数据中寻找出统计关系，并用得到的关系去预测数据的未来值。,Eviews简介,Eviews的应用范围包括：, 应用经济计量学 总体经济的研究和预测金融数据分析销售预测及财务分析 成本分析和预测 蒙地卡罗模拟 经济模型的估计和仿真 利率与外汇预测等等,Eviews主要功能： 操作灵活简便，可采用多种操作方式进行各种计量
2、分析和统计分析，使数据管理、处理和分析简单方便。其主要功能有： （1）采用统一的方式管理数据，通过对象、视图和过程实现对数据的各种操作； （2）输入、扩展和修改时间序列数据或截面数据，依据已有序列按任意复杂的公式生成新的序列；,Eviews主要功能：,（3）计算描述统计量：相关系数、协方差、自相关系数、互相关系数和直方图；（4）进行T 检验、方差分析、协整检验、Granger 因果检验； （5）执行普通最小二乘法、带有自回归校正的最小二乘法、两阶段最小二乘法和三阶段最小二乘法、非线性最小二乘法、广义矩估计法、ARCH 模型估计法等； （6）对二择一决策模型进行Probit、logit 和Gom
3、pit 估计；,Eviews主要功能：,（7）对联立方程进行线性和非线性的估计； （8）估计和分析向量自回归系统； （9）多项式分布滞后模型的估计； （10）回归方程的预测； （11）模型的求解和模拟； （12）数据库管理； （13）与外部软件进行数据交换。,Page 7,时间序列建模步骤,实例操作,3,实例操作,上证180指数收益率波动率分析,本次选取了上证180指数于2008年8月1日到2010年11月3日的收盘价，共548个观测值。并以此建立序列p，进而构建其对数收益率序列r，对序列r建立条件异方差模型，并研究其收益波动率。,上证180指数：是上海证券交易所对原上证30指数进行了调整并更
4、名而成的，其样本股是在所有A股股票中抽取最具市场代表性的180种样本股票。它反映上海证券市场的概貌和运行状况，能作为投资评价尺度及金融衍生产品基础的基准指数。数据来源：上海证券报 http:/ 选择菜单File/New/workfile，则出现数据的频率对话框。如图,Page 13,Page 14,可在 “Workfilefrequency“中选择数据的频率，可选的频率包括年度、半年、季度、月度、星期、天（每周5天、每周7天）以及非时间序列或不规则数据。 可在“Start date“文本框中输入起始日期，“End date“文本框中输入终止日期，年度与后面的数字用“：“分隔。,具体的日期的表示
5、法为： 年度：二十世纪可用两位数，其余全用四位数字；如：从1999到2009，只需在Start date中输入1999。End date中输入2009即可。 半年：年后加1或2；如：从1999年上半年到2009年下半年，在Start date中输入1999：1 。End date中输入2009：2。 季度：年后加1-4；从1999年第一季度到2009年第三季度，在Start date中输入1999：1 。End date中输入2009：3,Page 15,Page 16,月度：年后加1-12；如：从1999年1月到2009年12月，在Start date中输入1999：1 。End date中
6、输入2009：12。 周：月/周/年；如：从2007年1月第一周到2009年1月第四周，在Start date中输入1/1/2007。End date中输入1/4/2009 天：月/日/年；如：从2008年3月5日到2009年8月20日，在Start date中输入3/5/2008。End date中输入8/20/2009. 非时间序列或不规则数据：输入样本个数。如：样本数为200，在Start date中输入1 。End date中输入200。,Page 17,本案例中选择最后一个integer-data， Start date中输入1 ；End date中输入548。,建立序列 可以采用直
7、接输入法、复制法、导入法。 直接输入法/复制法：点击EViews主菜单中的Objects/New Object，出现如图所示的对话框，点击OK后就可以直接输入收集到的数据或是复制得到序列：,导入法：把存于EXCEL等文档的数据导入序列中。 选择主菜单中File/Import/Read Text-Lotus-Excel，找到已经存好的数据Excel文件，点击“打开”后，出现如图所示对话框。,在Names for series or Number if named in file选框中序列名称p，即将数据导入了该序列p。,建立对数收益率序列 点击Eviews中workfile菜单中的Objects
8、/Generate Series，键入一个表达式，可形成一个新的序列。常使用到表达式：D代表差分；Log代表取对数；Exp代表取指数；2代表平分,Page 20,Page 21,本案例中对序列p的数据取对数然后差分，得到新的序列r,代表对数收益率。输入的表达式为r=dlog（p），如图所示：,得到工作表，如图所示：至此完成数据导入工作。,序列描述性分析,1.画时间序列图 双击序列r，在视图中点击View-graph-line，得到对数收益率rt的时间序列图如下：,从上证180指数对数收益率序列r的线性图中，可观察到对数收益率波动的“集群”现象：波动在一些时间段内较小（例如从第150个观测值到第
9、200个观测值），在有的时间段内非常大（例如从第40个数据到第100个数据）。,Page 24,Page 25,然后在视图中点击view-descriptive statisticshistogram and stats就得到了对数收益率的柱形统计图，如下：,由图可知，上证能源指数对数收益率序列均值（Mean）为0.000256，标准差（Std. Dev.）为0.001426，偏度（Skewness）为-0.141，小于0，说明序列分布有长的左拖尾。峰度（Kurtosis）为4.596，高于于正态分布的峰度值3，说明收益率序列具有尖峰和厚尾的特征。JarqueBera统计量为59.85，P值为
10、0.00000，拒绝该对数收益率序列服从正态分布的假设。,Page 26,考察序列的平稳性,Page 27,点击View-Unit Root Test，Test Type选择Augmented Dickey-Fuller，,得到ADF检验的结果如下：,Page 28,t统计量的值-22.88，对应P值接近0，表明序列r 平稳。,序列自相关和偏自相关检验 在视图中点击View-correlogram，在Lags to include中键入12，然后点击ok，就得到了对数收益率的自相关函数分析图。,Page 29,Page 30,从图中可以看出，序列的自相关和偏自相关系数均落入两倍的估计标准差内，
11、且Q统计量的对应的p值均大于置信度0.05，故序列在5的显著性水平上不存在显著的相关性。,Page 31,回归模型的建立 由于序列不存在显著的相关性，因此将均值方程设定为白噪声。设立模型： rt=t+t,Page 32,将r去均值化，得到w： 操作为： Objects/Generate Series输入 w=r-0.000256 再看w序列的描述性统计：,Page 33,检验ARCH效应,Page 34,检验ARCH效应有两种方法：LM法（拉格朗日乘数检验法）和对残差的平方相关图检验。本案例中由于没有对ARMA建模，E-views中没有直接的LM法，所以采用第二种方法。首先建立w的平分方程z，
12、在Objects/Generate Series输入z= w2，,然后在视图中点击view-correlogram，然后点击ok，就得到了对数收益率的自相关函数分析图。,Page 35,如图所示：序列存在自相关，所以有ARCH效应。,建立GARCH类模型,(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)我们分别用多个模型建模，以下以GARCH(1,1)为例:,点击主菜单Quick/Estimate Equation,得到如下对话框，在 Method选
13、择GARCH,在Mean equation框中输入w，ARCH和GARCH处都选择1，点击确定。,Page 38,（1）GARCH(1,1),Page 39,Page 40,（1）GARCH(2,1),Page 41,（1）GARCH(1,2),基于以上三个模型的比较，GARCH（1，1）所有的系数都通过t检验，效果最好！再考虑T-GARCH和E-GARCH再分别进行建模。,Page 42,T-GARCH的操作为：点击主菜单Quick/Estimate Equation,得到如下对话框，在 Method选择GARCH/TGARCH，再将Threshold数值输入1，点击确定。如下图：,Page
14、 43,Page 44,T-GARCH(1,1),E-GARCH的操作为：点击主菜单Quick/Estimate Equation,得到如下对话框，在 Method选择EGARCH，再将Threshold数值输入0，点击确定。如下图：,Page 46,EGARCH(1,1)模型的参数均显著，说明序列具有杠杆性，可以进一步加入“ARCH-M”检验：,Page 47,Page 48,系数不显著，（用Variance时系数一样不显著），说明不存在ARCH-M过程。,模型验证,对建立的EARCH(1，1)模型进行残差ARCH效应检验，点击EARCH(1，1)结果输出窗口View /Residual T
15、est /ARCH LM TestLag=滞后阶数，可以分别取1，4，8，12；以lag=4为例，输出结果如下所示：,Page 49,各种lag值情形下，F统计量均不显著，说明模型已经不存在ARCH效应。,Page 50,建立的EGARCH(1，1)模型如下：,由于之前对r的描述统计中发现统计的正态分布检验没有通过，可以试图做残差服从t分布和GED分布的E-views建模。,Page 51,Page 52,假设残差服从t分布操作过程：Quick/Estimate Equation,得到如下对话框，在 Method选择Students t（ GED分布则选择GED ），如下：,Page 53,Page 54,上证180指数的对数收益率时间序列的均值方程是一个白噪声 ，而其残差能用EGARCH(1，1)模型进行较好的拟合。 结论： （一）异方差的存在性。该上证指数收益率有“尖峰厚尾”和聚集现象,不服从正态分布。风险对收益率的影响不显著。 （二）指数收益率存在杠杆性。投资者对该指数收益率下跌的反映往往高于相同程度收益率上涨的反映，即收益率的下跌对市场的影响更大。,Page 55,
