利用Eviews考察GARCH模型在金融数据中的应用.docx
《利用Eviews考察GARCH模型在金融数据中的应用.docx》由会员分享,可在线阅读,更多相关《利用Eviews考察GARCH模型在金融数据中的应用.docx(11页珍藏版)》请在冰豆网上搜索。
![利用Eviews考察GARCH模型在金融数据中的应用.docx](https://file1.bdocx.com/fileroot1/2023-2/10/5a77317d-44bd-4cbb-a2cb-06a78ca71e46/5a77317d-44bd-4cbb-a2cb-06a78ca71e461.gif)
利用Eviews考察GARCH模型在金融数据中的应用
(G)ARCH模型在金融数据中的应用
姓名(括号内填学号)
摘要:
理解自回归异方差(ARCH)模型的概念及建立的必要性和适用的场合。
了解(G)ARCH模型的各种不同类型,如GARCH-M模型(GARCHinmean),EGARCH模型(ExponentialGARCH)和TARCH模型(又称GJR)。
掌握对(G)ARCH模型的识别、估计及如何运用Eviews软件在实证研究中实现。
关键词:
Garch;沪深股市
1基本概念
p阶自回归条件异方程ARCH(p)模型,其定义由均值方程
(1)和条件方程方程
(2)给出:
(1)
(2)
其中,
表示t-1时刻所有可得信息的集合,
为条件方差。
方程
(2)表示误差项
的方差
由两部分组成:
一个常数项和前p个时刻关于变化量的信息,用前p个时刻的残差平方表示(ARCH项)。
广义自回归条件异方差GARCH(p,q)模型可表示为:
(3)
(4)
2数据来源
以上证指数和深证成份指数为研究对象,选取1997年1月2日~2002年12月31日共6年每个交易日上证指数和深证成份指数的收盘价为样本:
3描述性统计与检验
3.1描述性统计
导入数据,建立工作组。
打开Eviews软件,选择“File”菜单中的“NewWorkfile”选项,在“Workfilefrequency”框中选择“undatedorirregular”,在“Startobservation”和“Endobservation”框中分别输入1和1444,单击“OK”。
选择“File”菜单中的“Import--ReadText-Lotus-Excel”选项,找到要导入的名为EX6.4.xls的Excel文档完成数据导入。
生成收益率的数据列。
在Eviews窗口主菜单栏下的命令窗口中键入如下命令:
genrrh=log(sh/sh(-1)),回车后即形成沪市收益率的数据序列rh,同样的方法可得深市收益数剧序列rz。
观察收益率的描述性统计量。
双击选取“rh”数据序列,在新出现的窗口中点击“View”-“DescriptiveStatistics”-“HistogramandStats”,则可得沪市收益率rh的描述性统计量,如图1所示:
图1沪市收益率rh的描述性统计量
同样的步骤可得深市收益率rz的描述性统计量。
观察这些数据,我们可以发现:
样本期内沪市收益率均值为0.027%,标准差为1.63%,偏度为-0.146,左偏峰度为9.07,远高于正态分布的峰度值3,说明收益率rt具有尖峰和厚尾特征。
JB正态性检验也证实了这点,统计量为2232,说明在极小水平下,收益率rt显著异于正态分布;深市收益率均值为-0.012%,标准差为1.80%,偏度为-0.027,左偏峰度为8.172,收益率rt同样具有尖峰、厚尾特征。
深市收益率的标准差大于沪市,说明深圳股市的波动更大。
3.2平稳性检验
再次双击选取rh序列,点击“View”-“UnitRootTest”,出现如图2所示窗口:
图2 单位根检验
对该序列进行ADF单位根检验,选择滞后4阶,带截距项而无趋势项,所以采用窗口的默认选项,得到如图3所示结果:
图3rhADF检验结果
同样对rz做单位根检验后,得到如图4所示结果:
图4 rzADF检验结果
在1%的显著水平下,两市的收益率rt都拒绝随机游走的假设,说明是平稳的时间序列数据。
这个结果与国外学者对发达成熟市场波动性的研究一致:
Pagan(1996)和Bollerslev(1994)指出:
金融资产的价格一般是非平稳的,经常有一个单位根(随机游走),而收益率序列通常是平稳的。
3.3均值方程的确定及残差序列自相关检验
通过对收益率的自相关检验,我们发现两市的收益率都与其滞后15阶存在显著的自相关,因此对两市收益率rt的均值方程都采用如下形式:
(5)
首先,对收益率做自回归。
在Eviws主菜单中选择“Quick”-“EstimationEquation”,出现如图5所示窗口:
图5 对收益率rh做自回归
在“Method”中选择LS(即普通最小二乘法),然后在“Estimationsettings”上方空白处输入图5所示变量,单击“OK”,则出现图6所示结果:
图6 收益率rh回归结果
然后,用Ljung-BoxQ统计量对均值方程拟和后的残差及残差平方做自相关检验:
点击“View”-“ResidualTest”-“Correlogram-Q-statistics”,选择10阶滞后,则可得沪市收益率rh残差项的自相关系数acf值和pacf值,如图7所示:
图7沪市收益率rh残差项的自相关系数acf值和pacf值
点击“View”-“ResidualTest”-“CorrelogramSquaredResiduals”,选择10阶滞后,则可得沪市收益率rh残差平方的自相关系数acf值和pacf值,如图8所示:
图8沪市收益率rh残差平方的自相关系数acf值和pacf值
采用同样的方法,可得深市收益率rz的回归方程及残差、残差平方的acf值和pacf值。
结果表明两市的残差不存在显著的自相关,而残差平方有显著的自相关。
(3)对残差平方做线性图。
对rh进行回归后在命令栏输入命令:
genrres1=resid^2,得到rh残差平方序列res1,用同样的方法得到rz残差平方序列res2。
双击选取序列res1,在新出现的窗口中选择“View”-“LineGraph”,得到res1的线性图如图9所示
图9rh残差平方线状图
同理得到rz残差平方线状图:
图10rz残差平方线状图
可见
的波动具有明显的时间可变性(timevarying)和集簇性(clustering),适合用GARCH类模型来建模。
(4)对残差进行ARCH-LMTest
依照步骤
(1),再对rh做一次滞后15阶的回归,在出现的“Equation”窗口中点击“View”-“ResidualTest”-“ARCHLMTest”,选择一阶滞后,得到如图11所示结果:
图11rhARCH-LMTest
对rz方程回归后的残差项同样可做ARCH-LMTest,结果表明残差中ARCH效应是很显著的。
4GARCH类模型建模
4.1GARCH(1,1)模型估计结果
点击“Quick”-“EstimateEquation”,在出现的窗口中“Method”选项选择“ARCH”,可以得到如图12所示的对话框。
在这个对话框中要求用户输入建立GARCH类模型相关的参数:
“MeanEquationSpecification”栏需要填入均值方差的形式;“ARCH-Mterm”栏需要选择ARCH-M项的形式,包括方差、标准差和不采用三种;“ARCHSpecification”栏需要选择ARCH和GARCH项的阶数,以及估计方法包括GARCH、TARCH和EGARCH等等;“VarianceRegressors”栏需要填如结构方差的形式,由于Eviews默认条件方差方程中包含常数项,因此在此栏中不必要填入“C”。
我们现在要用GARCH(1,1)模型建模,以沪市为例,只需要在“MeanEquationSpecification”栏输入均值方差“RHCRH(-15)”,其他选择默认即可,得到如图13和图14所示的结果。
图12 EquationSpecification窗口
图13沪市收益率GARCH(1,1)模型估计结果
图14 深市收益率GARCH(1,1)模型估计结果
可见,沪深股市收益率条件方差方程中ARCH项和GARCH项都是高度显著的,表明收益率序列具有显著的波动集簇性。
沪市中ARCH项和GARCH项系数之和为0.98,深市也为0.98,均小于1。
因此GARCH(1,1)过程是平稳的,其条件方差表现出均值回复(MEAN-REVERSION),即过去的波动对未来的影响是逐渐衰减。
4.2GARCH-M(1,1)估计结果
依照前面的步骤只要在“ARCH-Mterm”栏选择方程作为ARCH-M项的形式,即可得到GARCH-M(1,1)模型的估计结果,如图15和图16所示。
图15沪市收益率GARCH-M(1,1)模型估计结果
图16深市收益率GARCH-M(1,1)模型估计结果
可见,沪深两市均值方程中条件方差项GARCH的系数估计分别为5.937671和5.162608,而且都是显著的。
这反映了收益与风险的正相关关系,说明收益有正的风险溢价。
而且上海股市的风险溢价要高于深圳。
这说明上海股市的投资者更加的厌恶风险,要求更高的风险补偿。
5结论
我们运用GARCH类模型,对沪深股市收益率的波动性、波动的非对称性,以及波动之间的溢出效应做了全面的分析。
通过分析,基本可以得出了以下结论:
第一,沪深股市收益率都存在明显的GARCH效应。
第二,沪深股市都存在明显的GARCH-M效应,而且沪市的正向风险溢价要高于深市,反映了上海股市的投资者比深圳的投资者更加厌恶风险。
第三,沪深股市都存在明显的杠杆效应,反映了在我国股票市场上坏消息引起的波动要大于好消息引起的波动。
第四,沪深股市之间波动存在溢出效应,而且是单向的,深市的波动将引起沪市的波动,加入深市波动的模型将有助于提高沪市风险溢价的水平。