適合做GARCH的股票數據

『壹』 如何用GARCH(1,1)求股票的具體波動率數據

以哈飛股份(600038)為例，運用GARCH（1,1）模型計算股票市場價值的波動率。

GARCH（1,1）模型為：

(1)

(2)

其中， 為回報系數， 為滯後系數， 和 均大於或等於0。

（1）式給出的均值方程是一個帶有誤差項的外生變數的函數。由於是以前面信息為基礎的一期向前預測方差，所以稱為條件均值方程。

（2）式給出的方程中： 為常數項， （ARCH項）為用均值方程的殘差平方的滯後項， （GARCH項）為上一期的預測方差。此方程又稱條件方差方程，說明時間序列條件方差的變化特徵。

通過以下六步進行求解：

本文選取哈飛股份2009年全年的股票日收盤價，採用Eviews 6.0的GARCH工具預測股票收益率波動率。具體計算過程如下：

第一步：計算日對數收益率並對樣本的日收益率進行基本統計分析，結果如圖1和圖2。

日收益率採用JP摩根集團的對數收益率概念，計算如下：

其中Si，Si-1分別為第i日和第i-1日股票收盤價。

圖1 日收益率的JB統計圖

對圖1日收益率的JB統計圖進行分析可知：

（1）標准正態分布的K值為3，而該股票的收益率曲線表現出微量峰度（Kurtosis=3.748926>3），分布的凸起程度大於正態分布，說明存在著較為明顯的「尖峰厚尾」形態；

（2）偏度值與0有一定的差別，序列分布有長的左拖尾，拒絕均值為零的原假設，不屬於正態分布的特徵；

（3）該股票的收益率的JB統計量大於5%的顯著性水平上的臨界值5.99，所以可以拒絕其收益分布正態的假設，並初步認定其收益分布呈現「厚尾」特徵。

以上分析證明，該股票收益率呈現出非正態的「尖峰厚尾」分布特徵，因此利用GARCH模型來對波動率進行擬合具有合理性。

第二步：檢驗收益序列平穩性

在進行時間序列分析之前，必須先確定其平穩性。從圖2日收益序列的路徑圖來看，有比較明顯的大的波動，可以大致判斷該序列是一個非平穩時間序列。這還需要嚴格的統計檢驗方法來驗證，目前流行也是最為普遍應用的檢驗方法是單位根檢驗，鑒於ADF有更好的性能，故本文採用ADF方法檢驗序列的平穩性。

從表1可以看出，檢驗t統計量的絕對值均大於1%、5％和10%標准下的臨界值的絕對值，因此，序列在1%的顯著水平下拒絕原假設，不存在單位根，是平穩序列，所以利用GARCH（1,1）模型進行檢驗是有效的。

圖2 日收益序列圖

表1ADF單位根檢驗結果

第三步：檢驗收益序列相關性

收益序列的自相關函數ACF和偏自相關函數PACF以及Ljung-Box-Pierce Q檢驗的結果如表3（滯後階數 =15）。從表4.3可以看出，在大部分時滯上，日收益率序列的自相關函數和偏自相關函數值都很小，均小於0.1，表明收益率序列並不具有自相關性，因此，不需要引入自相關性的描述部分。Ljung-Box-Pierce Q檢驗的結果也說明日收益率序列不存在明顯的序列相關性。

表2自相關檢驗結果

第四步：建立波動性模型

由於哈飛股份收益率序列為平穩序列，且不存在自相關，根據以上結論，建立如下日收益率方程：

(3)

(4)

第五步：對收益率殘差進行ARCH檢驗

平穩序列的條件方差可能是常數值，此時就不必建立GARCH模型。故在建模前應對收益率的殘差序列εt進行ARCH檢驗，考察其是否存在條件異方差，收益序列殘差ARCH檢驗結果如表3。可以發現，在滯後10階時，ARCH檢驗的伴隨概率小於顯著性水平0.05，拒絕原假設，殘差序列存在條件異方差。在條件異方差的理論中，滯後項太多的情況下，適宜採用GARCH（1,1）模型替代ARCH模型，這也說明了使用GARCH（1,1）模型的合理性。

表3日收益率殘差ARCH檢驗結果

第六步：估計GARCH模型參數，並檢驗

建立GARCH（1,1）模型，並得到參數估計和檢驗結果如表4。其中，RESID(-1)^2表示GARCH模型中的參數α，GARCH（-1）表示GARCH模型中的參數β，根據約束條件α+β<1，有RESID(-1)^2+GARCH（-1）=0.95083＜1，滿足約束條件。同時模型中的AIC和SC值比較小，可以認為該模型較好地擬合了數據。

表4日收益率波動率的GARCH（1,1）模型的參數估計

『貳』 R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格

時間序列分析：R語言中的ARIMA和ARCH / GARCH模型

在金融時間序列分析中，時域方法如ARIMA和ARCH / GARCH模型對於股票價格預測至關重要。這些模型幫助我們理解數據特徵並預測未來值，尤其在非平穩序列處理和波動性分析上。

首先，確保時間序列的平穩性是建模的前提。通過差分或對數轉換將非平穩序列轉換為平穩序列，如蘋果股票價格示例所示，對數價格的差分更利於穩定方差。

ARIMA模型（自回歸整合移動平均模型）通過觀察自相關和偏自相關來識別，如在Apple股票的ACF和PACF圖中所示。識別規則包括觀察ACF和PACF的截斷點，例如ARIMA(1,0,0)可能是Log Apple股票的模型。

在選擇模型時，使用AICc來權衡模型復雜度與擬合度，如ARIMA(2,1,2)可能是合適的。檢查殘差的ACF和PACF以確認模型的有效性，例如Apple股票的ARIMA模型的殘差顯示為無明顯滯後。

當ARIMA模型的殘差顯示波動性時，引入ARCH / GARCH模型。通過觀察殘差平方和ACF/PACF，判斷是否需要建模序列的條件方差。例如，對於Apple，選擇的ARCH 8模型反映了價格的波動性。

混合模型如ARIMA(2,1,2) - ARCH(8)結合了ARIMA的線性預測和ARCH的波動性分析，能更准確地預測價格變化，如Apple股票在2012年7月的預測。

時域分析在金融時間序列預測中不可或缺，ARIMA和ARCH / GARCH模型組合提供了更精確的預測。理解序列的平穩性，選擇合適的模型，以及利用新信息更新模型，都是有效應用這些模型的關鍵。

『叄』 R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格

R語言中的ARIMAARCH / GARCH模型分析股票價格主要包括以下幾個步驟：

1. 確保時間序列的平穩性：

   • 平穩性是時間序列建模的前提。對於非平穩的股票價格時間序列，可以通過差分或對數轉換將其轉換為平穩序列。例如，對數價格的差分可以穩定方差，使其更適合進行後續的模型分析。

2. 應用ARIMA模型：

   • ARIMA模型用於捕捉時間序列中的線性關系。通過觀察自相關函數和偏自相關函數來識別模型的參數，如ARIMA中的p、d、q。
   • 使用AICc來選擇最優的ARIMA模型，權衡模型復雜度與擬合度。
   • 檢查殘差的ACF和PACF以確認模型的有效性，確保模型殘差無明顯滯後，即模型已充分捕捉時間序列中的線性關系。

3. 引入ARCH / GARCH模型：

   • 當ARIMA模型的殘差顯示波動性時，說明時間序列中存在異方差性，此時需要引入ARCH或GARCH模型來捕捉這種波動性。
   • 通過觀察殘差平方的ACF/PACF以及選擇合適的ARCH或GARCH模型來建模序列的條件方差。

4. 組合ARIMAARCH / GARCH模型：

   • 混合模型如ARIMAARCH或ARIMAGARCH結合了ARIMA模型的線性預測能力和ARCH/GARCH模型的波動性分析能力，能更准確地預測股票價格的變化。
   • 實際應用中，需要根據數據的特性和模型的診斷結果來選擇和調整模型的參數。

5. 模型驗證與預測：

   • 在選定模型後，需要對模型進行驗證，確保其能夠准確描述時間序列的特性。
   • 使用驗證後的模型進行未來值的預測，並評估預測的准確性和可靠性。

總結： ARIMAARCH / GARCH模型組合在金融時間序列預測中非常重要，它們提供了更精確的預測能力。 在應用這些模型時，需要理解序列的平穩性，選擇合適的模型參數，並利用新信息不斷更新模型以提高預測的准確性。

『肆』 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。

『伍』 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