eviews股票日數據預測

『壹』 如何在eviews5.1軟體建立GARCH模型中加入虛擬變數

自回歸條件異方差(Autoregressive Conditional Heteroscedasticity Model， ARCH)模型是特別用來建立條件方差模型並對其進行預測的。
ARCH模型是1982年由恩格爾(Engle, R.)提出，並由博勒斯萊文(Bollerslev, T., 1986)發展成為GARCH (Generalized ARCH)——廣義自回歸條件異方差。這些模型被廣泛的應用於經濟學的各個領域。尤其在金融時間序列分析中。
按照通常的想法，自相關的問題是時間序列數據所特有，而異方差性是橫截面數據的特點。但在時間序列數據中，會不會出現異方差呢？會是怎樣出現的？
恩格爾和克拉格（Kraft, D., 1983）在分析宏觀數據時，發現這樣一些現象：時間序列模型中的擾動方差穩定性比通常假設的要差。恩格爾的結論說明在分析通貨膨脹模型時，大的及小的預測誤差會大量出現，表明存在一種異方差，其中預測誤差的方差取決於後續擾動項的大小。 從事於股票價格、通貨膨脹率、外匯匯率等金融時間序列預測的研究工作者，曾發現他們對這些變數的預測能力隨時期的不同而有相當大的變化。預測的誤差在某一時期里相對地小，而在某一時期里則相對地大，然後，在另一時期又是較小的。這種變異很可能由於金融市場的波動性易受謠言、政局變動、政府貨幣與財政政策變化等等的影響。從而說明預測誤差的方差中有某種相關性。
為了刻畫這種相關性，恩格爾提出自回歸條件異方差（ARCH）模型。ARCH的主要思想是時刻 t 的ut 的方差（= t2 ）依賴於時刻(t 1)的殘差平方的大小，即依賴於 ut2- 1 。
（一） ARCH模型
為了說得更具體，讓我們回到k -變數回歸模型：
(5.1.1)
並假設在時刻 ( t1 ) 所有信息已知的條件下，擾動項 ut 的分布是：
~ (5.1.2)
也就是，ut 遵循以0為均值，(0+ 1u2t-1 )為方差的正態分布。
由於(5.1.2)中ut的方差依賴於前期的平方擾動項，我們稱它為ARCH(1)過程：

然而，容易加以推廣。
例如，一個ARCH (p)過程可以寫為：
（5.1.3）
如果擾動項方差中沒有自相關，就會有
H0 ：
這時

從而得到誤差方差的同方差性情形。
恩格爾曾表明，容易通過以下的回歸去檢驗上述虛擬假設：
（5.1.4）
其中，ût 表示從原始回歸模型（5.1.1）估計得到的OLS殘差。
二） GARCH(1, 1)模型
我們常常有理由認為 ut 的方差依賴於很多時刻之前的變化量（特別是在金融領域，採用日數據或周數據的應用更是如此）。這里的問題在於，我們必須估計很多參數，而這一點很難精確的做到。但是如果我們能夠意識到方程(5.1.3)不過是t2的分布滯後模型，我們就能夠用一個或兩個t2的滯後值代替許多ut2的滯後值，這就是廣義自回歸條件異方差模型(generalized autoregressive conditional heterosce-dasticity model，簡記為GARCH模型)。在GARCH模型中，要考慮兩個不同的設定：一個是條件均值，另一個是條件方差。
在標准化的GARCH(1,1)模型中：
(5.1.5)
(5.1.6)
其中：xt是1×(k+1)維外生變數向量， 是(k+1)×1維系數向量。 (5.1.5)中給出的均值方程是一個帶有誤差項的外生變數函數。由於t2是以前面信息為基礎的一期向前預測方差 ，所以它被稱作條件方差。
(5.1.6)中給出的條件方差方程是下面三項的函數：
1．常數項（均值）：
2．用均值方程(5.1.5)的殘差平方的滯後來度量從前期得到的波動性的信息： ut2-1（ARCH項）。
3．上一期的預測方差： t2-1 （GARCH項）。
GARCH(1,1)模型中的(1,1)是指階數為1的GARCH項（括弧中的第一項）和階數為1的ARCH項（括弧中的第二項）。一個普通的ARCH模型是GARCH模型的一個特例，即在條件方差方程中不存在滯後預測方差t2的說明。
在EViews中ARCH模型是在誤差是條件正態分布的假定下，通過極大似然函數方法估計的。例如，對於GARCH(1,1)，t 時期的對數似然函數為：
(5.1.7)
其中
(5.1.8)
這個說明通常可以在金融領域得到解釋，因為代理商或貿易商可以通過建立長期均值的加權平均（常數），上期的預期方差（GARCH項）和在以前各期中觀測到的關於變動性的信息（ARCH項）來預測本期的方差。如果上升或下降的資產收益出乎意料地大，那麼貿易商將會增加對下期方差的預期。這個模型還包括了經常可以在財務收益數據中看到的變動組，在這些數據中，收益的巨大變化可能伴隨著更進一步的巨大變化。
（三）方差方程的回歸因子
方程(5.1.6)可以擴展成包含外生的或前定回歸因子z的方差方程：
（5.1.11）
注意到從這個模型中得到的預測方差不能保證是正的。可以引入到這樣一些形式的回歸運算元，它們總是正的，從而將產生負的預測值的可能性降到最小。例如，我們可以要求：
（5.1.12
GARCH(p, q)模型
高階GARCH模型可以通過選擇大於1的p或q得到估計，記作GARCH(p, q)。其方差表示為：
（5.1.13）

這里，p是GARCH項的階數，q是ARCH項的階數。
金融理論表明具有較高可觀測到的風險的資產可以獲得更高的平均收益，其原因在於人們一般認為金融資產的收益應當與其風險成正比，風險越大，預期的收益就越高。這種利用條件方差表示預期風險的模型被稱為ARCH均值模型(ARCH-in-mean)或ARCH-M回歸模型。在ARCH-M中我們把條件方差引進到均值方程中:
（5.1.14）
ARCH-M模型的另一種不同形式是將條件方差換成條件標准差：

或取對數
ARCH-M模型通常用於關於資產的預期收益與預期風險緊密相關的金融領域。預期風險的估計系數是風險收益交易的度量。例如，我們可以認為某股票指數，如上證的股票指數的票面收益（returet）依賴於一個常數項，通貨膨脹率t 以及條件方差：

這種類型的模型（其中期望風險用條件方差表示）就稱為GARCH-M模型。
ARCH-M模型通常用於關於資產的預期收益與預期風險緊密相關的金融領域。預期風險的估計系數是風險收益交易的度量。例如，我們可以認為某股票指數，如上證的股票指數的票面收益（returet）依賴於一個常數項，通貨膨脹率t 以及條件方差：

這種類型的模型（其中期望風險用條件方差表示）就稱為GARCH-M模型。

『貳』 利用EVIEWS如何算EGARCH模型參數

eviews中使用GARCH(1,1)模型計算股票波動率時，首先需要將數據導入。導入完成後，可以進行如下步驟：

1. 在Quick菜單中選擇Estimate Equation，輸入log(p) log(p(-1))作為變數，然後在Method選項中選擇ARCH。此時，GARCH(1,1)模型將被默認設置。點擊OK按鈕後，eviews將進行模型估計。

2. 在模型估計完成後，eviews將展示估計結果的圖表。此時，可以通過Make GARCH Variance Series命令生成條件方差序列，也可以通過Conditional SD Graph得到標准差序列。此外，還可以通過Make Resial Series命令生成殘差序列。

3. 在進行GARCH模型估計時，還可以通過設置不同的參數，如調整GARCH項和ARCH項的系數，來優化模型的表現。同時，還可以通過殘差序列來檢驗模型的擬合效果，確保模型能夠准確反映股票波動率的變化趨勢。

4. GARCH模型是一種用於描述時間序列數據波動性的模型，它特別適用於分析股票市場等金融時間序列數據的波動性。通過GARCH(1,1)模型，可以較好地捕捉到市場波動性的自相關性和條件異方差性。

5. 在實際應用中，投資者和分析師可以通過GARCH(1,1)模型參數的估計結果，來預測未來的波動率水平，從而進行有效的風險管理。例如，通過估計GARCH(1,1)模型參數，可以預測未來一段時間內的波動率水平，進而調整投資組合中的資產配置，以應對潛在的風險。

6. 除了GARCH(1,1)模型，還可以嘗試使用EGARCH模型，它能更好地捕捉波動率的不對稱效應。EGARCH模型允許波動率的變化對正向和負向的沖擊反應不同，這在實際的金融市場中更為常見。

7. 總之，通過eviews軟體中GARCH(1,1)和EGARCH模型的參數估計，可以深入分析股票市場的波動性特徵，為投資者和分析師提供有力的數據支持。

『叄』 利用EVIEWS如何算EGARCH模型參數

eviews中用garch（1，1）計算股票波動率
數據導入後
1. QUCIK--ESTIMATE EQUATION
輸入log(p) log(p(-1))，Method選項中選ARCH，其餘不動（默認garch（1，1）），點OK
2.得下圖
3.可以通過Make GARCH Variance Series得到一個條件方差序列，或者通過Conditional SD Graph得到standard deviation，也可以通過Make Resial Series得到一個序列。

『肆』 如何用Arma模型做股票估計

時間序列分析是經濟領域應用研究最廣泛的工具之一,它用恰當的模型描述歷史數據隨時間變化的規律,並分析預測變數值。ARMA模型是一種最常見的重要時間序列模型,被廣泛應用到經濟領域預測中。給出ARMA模型的模式和實現方法,然後結合具體股票數據揭示股票變換的規律性,並運用ARMA模型對股票價格進行預測。
選取長江證券股票具體數據進行實證分析
1.數據選取。
由於時間序列模型往往需要大樣本,所以這里我選取長江證券從09/03/20到09/06/19日開盤價,前後約三個月,共計60個樣本,基本滿足ARMA建模要求。
數據來源:大智慧股票分析軟體導出的數據(股價趨勢圖如下)
從上圖可看出有一定的趨勢走向,應為非平穩過程,對其取對數lnS,再觀察其平穩性。
2.數據平穩性分析。
先用EVIEWS生成新序列lnS並用ADF檢驗其平穩性。
(1)ADF平穩性檢驗,首先直接對數據平穩檢驗,沒通過檢驗,即不平穩。
可以看出lnS沒有通過檢驗,也是一個非平穩過程,那麼我們想到要對其進行差分。
(2)一階差分後平穩性檢驗,ADF檢驗結果如下,通過1%的顯著檢驗,即數據一階差分後平穩。
可以看出差分後,明顯看出ADF Test Statistic 為-5.978381絕對值是大於1%的顯著水平下的臨界值的,所以可以通過平穩性檢驗。
3.確定適用模型,並定階。可以先生成原始數據的一階差分數據dls,並觀測其相關系數AC和偏自相關系數PAC,以確定其是為AR,MA或者是ARMA模型。
(1)先觀測一階差分數據dls的AC和PAC圖。經檢驗可以看出AC和PAC皆沒有明顯的截尾性,嘗試用ARMA模型,具體的滯後項p,q值還需用AIC和SC具體確定。
(2)嘗試不同模型,根據AIC和SC最小化的原理確定模型ARMA(p,q)。經多輪比較不同ARMA(p,q)模型,可以得出相對應AIC 和 SC的值。
經過多次比較最終發現ARMA(1,1)過程的AIC和SC都是最小的。最終選取ARIMA(1,1,1)模型作為預測模型。並得出此模型的具體表達式為:
DLS t = 0.9968020031 DLS (t-1)- 1.164830718 U (t-1) + U t
4.ARMA模型的檢驗。選取ARIMA(1,1,1)模型,定階和做參數估計後,還應對其殘差序列進行檢驗,對其殘差的AC和Q統計檢驗發現其殘差自相關基本在0附近,且Q值基本通過檢驗,殘差不明顯存在相關,即可認為殘差中沒有包含太多信息,模型擬合基本符合。
5.股價預測。利用以上得出的模型,然後對長江證券6月22日、23日、24日股價預測得出預測值並與實際值比較如下。
有一定的誤差,但相比前期的漲跌趨勢基本吻合,這里出現第一個誤差超出預想的是因為6月22日正好是禮拜一,波動較大,這里正驗證了有研究文章用GARCH方法得出的禮拜一波動大的結果。除了禮拜一的誤差大點,其他日期的誤差皆在接受范圍內。
綜上所述,ARMA模型較好的解決了非平穩時間序列的建模問題,可以在時間序列的預測方面有很好的表現。藉助EViews軟體,可以很方便地將ARMA模型應用於金融等時間序列問題的研究和預測方面,為決策者提供決策指導和幫助。當然,由於金融時間序列的復雜性,很好的模擬還需要更進一步的研究和探討。在後期,將繼續在這方面做出自己的摸索。

『伍』 用Eviews怎麼求股票的收益率急！

在eviews里新建文件，輸入股票價格s，然後在quick 里選genrate series，輸入rs=@pch（s），點擊確定，出來的結果即為收益率

『陸』 用eviews軟體計算股票波動率，garch（1,1）模型估計出來的結果如下圖，請問那些數值是表示波動率的

c————歐米伽

RESID(-1)^2——阿爾法

GARCH（-1）——貝塔

帶入下面方程式

『柒』 這是一份直接就能上手操作的eviews上機實用指南 -----------回歸模型診斷及修正

建立回歸模型之後，我們首先要進行異方差性，自相關性及多重共線性的檢驗。這些內容在實際操作中需要一定的理解與實踐。下面，我將以股票價格指數與GDP數據作為案例進行具體說明，僅涉及數據錄入與檢驗步驟，其他概念與理論理解將在此省略。

數據採集方面，選取的是1981-2006年期間的股票價格指數與GDP數據作為分析對象。按照數據輸入流程，將這些信息錄入至Eviews軟體，運用最小二乘法建立起基礎的一元線性回歸模型。

隨後，將數據輸入Eviews並進行回歸分析，以觀察模型建立後的表現。在這一階段，我們通常使用懷特檢驗來檢測異方差性問題，以確定模型是否存在方差變化。具體操作是通過觀察F值和nR2值來判斷是否有顯著異方差。

當結果顯示存在異方差性時，需要進一步調整模型以修正這一問題。通過採用加權最小二乘法，我們試圖使模型更准確地反映實際情況。回歸分析後，再次進行懷特檢驗以確認問題是否得到解決。

解決異方差性後，緊接著進行自相關性的檢驗。首先，通過計算自相關系數p值（p=1-dw/2），了解是否存在序列相關性。若檢測到自相關性，應使用廣義差分法調整模型，以消除序列相關問題。

在引入廣義差分後，再次進行自相關性檢驗，通過觀測DW值的變化來判斷問題是否得到妥善處理。如果DW值位於適宜范圍，初步判斷自相關性問題得到了解決。

若初步檢驗仍未消除自相關性問題，我們繼續進行更高階的檢驗，如LM檢驗，以確定確切的自相關性階次。根據檢測結果，採用相應的廣義差分法（如二階廣義差分法）估計模型參數。

整個過程中，通過持續的檢驗與調整，確保回歸模型的准確性和可靠性。通過上述步驟，不僅能夠有效診斷並修正模型中存在的問題，還能夠更精確地反映實際經濟關系。