eviews股票日数据预测

‘壹’ 如何在eviews5.1软件建立GARCH模型中加入虚拟变量

自回归条件异方差(Autoregressive Conditional Heteroscedasticity Model， ARCH)模型是特别用来建立条件方差模型并对其进行预测的。
ARCH模型是1982年由恩格尔(Engle, R.)提出，并由博勒斯莱文(Bollerslev, T., 1986)发展成为GARCH (Generalized ARCH)——广义自回归条件异方差。这些模型被广泛的应用于经济学的各个领域。尤其在金融时间序列分析中。
按照通常的想法，自相关的问题是时间序列数据所特有，而异方差性是横截面数据的特点。但在时间序列数据中，会不会出现异方差呢？会是怎样出现的？
恩格尔和克拉格（Kraft, D., 1983）在分析宏观数据时，发现这样一些现象：时间序列模型中的扰动方差稳定性比通常假设的要差。恩格尔的结论说明在分析通货膨胀模型时，大的及小的预测误差会大量出现，表明存在一种异方差，其中预测误差的方差取决于后续扰动项的大小。 从事于股票价格、通货膨胀率、外汇汇率等金融时间序列预测的研究工作者，曾发现他们对这些变量的预测能力随时期的不同而有相当大的变化。预测的误差在某一时期里相对地小，而在某一时期里则相对地大，然后，在另一时期又是较小的。这种变异很可能由于金融市场的波动性易受谣言、政局变动、政府货币与财政政策变化等等的影响。从而说明预测误差的方差中有某种相关性。
为了刻画这种相关性，恩格尔提出自回归条件异方差（ARCH）模型。ARCH的主要思想是时刻 t 的ut 的方差（= t2 ）依赖于时刻(t 1)的残差平方的大小，即依赖于 ut2- 1 。
（一） ARCH模型
为了说得更具体，让我们回到k -变量回归模型：
(5.1.1)
并假设在时刻 ( t1 ) 所有信息已知的条件下，扰动项 ut 的分布是：
~ (5.1.2)
也就是，ut 遵循以0为均值，(0+ 1u2t-1 )为方差的正态分布。
由于(5.1.2)中ut的方差依赖于前期的平方扰动项，我们称它为ARCH(1)过程：

然而，容易加以推广。
例如，一个ARCH (p)过程可以写为：
（5.1.3）
如果扰动项方差中没有自相关，就会有
H0 ：
这时

从而得到误差方差的同方差性情形。
恩格尔曾表明，容易通过以下的回归去检验上述虚拟假设：
（5.1.4）
其中，ût 表示从原始回归模型（5.1.1）估计得到的OLS残差。
二） GARCH(1, 1)模型
我们常常有理由认为 ut 的方差依赖于很多时刻之前的变化量（特别是在金融领域，采用日数据或周数据的应用更是如此）。这里的问题在于，我们必须估计很多参数，而这一点很难精确的做到。但是如果我们能够意识到方程(5.1.3)不过是t2的分布滞后模型，我们就能够用一个或两个t2的滞后值代替许多ut2的滞后值，这就是广义自回归条件异方差模型(generalized autoregressive conditional heterosce-dasticity model，简记为GARCH模型)。在GARCH模型中，要考虑两个不同的设定：一个是条件均值，另一个是条件方差。
在标准化的GARCH(1,1)模型中：
(5.1.5)
(5.1.6)
其中：xt是1×(k+1)维外生变量向量， 是(k+1)×1维系数向量。 (5.1.5)中给出的均值方程是一个带有误差项的外生变量函数。由于t2是以前面信息为基础的一期向前预测方差 ，所以它被称作条件方差。
(5.1.6)中给出的条件方差方程是下面三项的函数：
1．常数项（均值）：
2．用均值方程(5.1.5)的残差平方的滞后来度量从前期得到的波动性的信息： ut2-1（ARCH项）。
3．上一期的预测方差： t2-1 （GARCH项）。
GARCH(1,1)模型中的(1,1)是指阶数为1的GARCH项（括号中的第一项）和阶数为1的ARCH项（括号中的第二项）。一个普通的ARCH模型是GARCH模型的一个特例，即在条件方差方程中不存在滞后预测方差t2的说明。
在EViews中ARCH模型是在误差是条件正态分布的假定下，通过极大似然函数方法估计的。例如，对于GARCH(1,1)，t 时期的对数似然函数为：
(5.1.7)
其中
(5.1.8)
这个说明通常可以在金融领域得到解释，因为代理商或贸易商可以通过建立长期均值的加权平均（常数），上期的预期方差（GARCH项）和在以前各期中观测到的关于变动性的信息（ARCH项）来预测本期的方差。如果上升或下降的资产收益出乎意料地大，那么贸易商将会增加对下期方差的预期。这个模型还包括了经常可以在财务收益数据中看到的变动组，在这些数据中，收益的巨大变化可能伴随着更进一步的巨大变化。
（三）方差方程的回归因子
方程(5.1.6)可以扩展成包含外生的或前定回归因子z的方差方程：
（5.1.11）
注意到从这个模型中得到的预测方差不能保证是正的。可以引入到这样一些形式的回归算子，它们总是正的，从而将产生负的预测值的可能性降到最小。例如，我们可以要求：
（5.1.12
GARCH(p, q)模型
高阶GARCH模型可以通过选择大于1的p或q得到估计，记作GARCH(p, q)。其方差表示为：
（5.1.13）

这里，p是GARCH项的阶数，q是ARCH项的阶数。
金融理论表明具有较高可观测到的风险的资产可以获得更高的平均收益，其原因在于人们一般认为金融资产的收益应当与其风险成正比，风险越大，预期的收益就越高。这种利用条件方差表示预期风险的模型被称为ARCH均值模型(ARCH-in-mean)或ARCH-M回归模型。在ARCH-M中我们把条件方差引进到均值方程中:
（5.1.14）
ARCH-M模型的另一种不同形式是将条件方差换成条件标准差：

或取对数
ARCH-M模型通常用于关于资产的预期收益与预期风险紧密相关的金融领域。预期风险的估计系数是风险收益交易的度量。例如，我们可以认为某股票指数，如上证的股票指数的票面收益（returet）依赖于一个常数项，通货膨胀率t 以及条件方差：

这种类型的模型（其中期望风险用条件方差表示）就称为GARCH-M模型。
ARCH-M模型通常用于关于资产的预期收益与预期风险紧密相关的金融领域。预期风险的估计系数是风险收益交易的度量。例如，我们可以认为某股票指数，如上证的股票指数的票面收益（returet）依赖于一个常数项，通货膨胀率t 以及条件方差：

这种类型的模型（其中期望风险用条件方差表示）就称为GARCH-M模型。

‘贰’ 利用EVIEWS如何算EGARCH模型参数

eviews中使用GARCH(1,1)模型计算股票波动率时，首先需要将数据导入。导入完成后，可以进行如下步骤：

1. 在Quick菜单中选择Estimate Equation，输入log(p) log(p(-1))作为变量，然后在Method选项中选择ARCH。此时，GARCH(1,1)模型将被默认设置。点击OK按钮后，eviews将进行模型估计。

2. 在模型估计完成后，eviews将展示估计结果的图表。此时，可以通过Make GARCH Variance Series命令生成条件方差序列，也可以通过Conditional SD Graph得到标准差序列。此外，还可以通过Make Resial Series命令生成残差序列。

3. 在进行GARCH模型估计时，还可以通过设置不同的参数，如调整GARCH项和ARCH项的系数，来优化模型的表现。同时，还可以通过残差序列来检验模型的拟合效果，确保模型能够准确反映股票波动率的变化趋势。

4. GARCH模型是一种用于描述时间序列数据波动性的模型，它特别适用于分析股票市场等金融时间序列数据的波动性。通过GARCH(1,1)模型，可以较好地捕捉到市场波动性的自相关性和条件异方差性。

5. 在实际应用中，投资者和分析师可以通过GARCH(1,1)模型参数的估计结果，来预测未来的波动率水平，从而进行有效的风险管理。例如，通过估计GARCH(1,1)模型参数，可以预测未来一段时间内的波动率水平，进而调整投资组合中的资产配置，以应对潜在的风险。

6. 除了GARCH(1,1)模型，还可以尝试使用EGARCH模型，它能更好地捕捉波动率的不对称效应。EGARCH模型允许波动率的变化对正向和负向的冲击反应不同，这在实际的金融市场中更为常见。

7. 总之，通过eviews软件中GARCH(1,1)和EGARCH模型的参数估计，可以深入分析股票市场的波动性特征，为投资者和分析师提供有力的数据支持。

‘叁’ 利用EVIEWS如何算EGARCH模型参数

eviews中用garch（1，1）计算股票波动率
数据导入后
1. QUCIK--ESTIMATE EQUATION
输入log(p) log(p(-1))，Method选项中选ARCH，其余不动（默认garch（1，1）），点OK
2.得下图
3.可以通过Make GARCH Variance Series得到一个条件方差序列，或者通过Conditional SD Graph得到standard deviation，也可以通过Make Resial Series得到一个序列。

‘肆’ 如何用Arma模型做股票估计

时间序列分析是经济领域应用研究最广泛的工具之一,它用恰当的模型描述历史数据随时间变化的规律,并分析预测变量值。ARMA模型是一种最常见的重要时间序列模型,被广泛应用到经济领域预测中。给出ARMA模型的模式和实现方法,然后结合具体股票数据揭示股票变换的规律性,并运用ARMA模型对股票价格进行预测。
选取长江证券股票具体数据进行实证分析
1.数据选取。
由于时间序列模型往往需要大样本,所以这里我选取长江证券从09/03/20到09/06/19日开盘价,前后约三个月,共计60个样本,基本满足ARMA建模要求。
数据来源:大智慧股票分析软件导出的数据(股价趋势图如下)
从上图可看出有一定的趋势走向,应为非平稳过程,对其取对数lnS,再观察其平稳性。
2.数据平稳性分析。
先用EVIEWS生成新序列lnS并用ADF检验其平稳性。
(1)ADF平稳性检验,首先直接对数据平稳检验,没通过检验,即不平稳。
可以看出lnS没有通过检验,也是一个非平稳过程,那么我们想到要对其进行差分。
(2)一阶差分后平稳性检验,ADF检验结果如下,通过1%的显着检验,即数据一阶差分后平稳。
可以看出差分后,明显看出ADF Test Statistic 为-5.978381绝对值是大于1%的显着水平下的临界值的,所以可以通过平稳性检验。
3.确定适用模型,并定阶。可以先生成原始数据的一阶差分数据dls,并观测其相关系数AC和偏自相关系数PAC,以确定其是为AR,MA或者是ARMA模型。
(1)先观测一阶差分数据dls的AC和PAC图。经检验可以看出AC和PAC皆没有明显的截尾性,尝试用ARMA模型,具体的滞后项p,q值还需用AIC和SC具体确定。
(2)尝试不同模型,根据AIC和SC最小化的原理确定模型ARMA(p,q)。经多轮比较不同ARMA(p,q)模型,可以得出相对应AIC 和 SC的值。
经过多次比较最终发现ARMA(1,1)过程的AIC和SC都是最小的。最终选取ARIMA(1,1,1)模型作为预测模型。并得出此模型的具体表达式为:
DLS t = 0.9968020031 DLS (t-1)- 1.164830718 U (t-1) + U t
4.ARMA模型的检验。选取ARIMA(1,1,1)模型,定阶和做参数估计后,还应对其残差序列进行检验,对其残差的AC和Q统计检验发现其残差自相关基本在0附近,且Q值基本通过检验,残差不明显存在相关,即可认为残差中没有包含太多信息,模型拟合基本符合。
5.股价预测。利用以上得出的模型,然后对长江证券6月22日、23日、24日股价预测得出预测值并与实际值比较如下。
有一定的误差,但相比前期的涨跌趋势基本吻合,这里出现第一个误差超出预想的是因为6月22日正好是礼拜一,波动较大,这里正验证了有研究文章用GARCH方法得出的礼拜一波动大的结果。除了礼拜一的误差大点,其他日期的误差皆在接受范围内。
综上所述,ARMA模型较好的解决了非平稳时间序列的建模问题,可以在时间序列的预测方面有很好的表现。借助EViews软件,可以很方便地将ARMA模型应用于金融等时间序列问题的研究和预测方面,为决策者提供决策指导和帮助。当然,由于金融时间序列的复杂性,很好的模拟还需要更进一步的研究和探讨。在后期,将继续在这方面做出自己的摸索。

‘伍’ 用Eviews怎么求股票的收益率急！

在eviews里新建文件，输入股票价格s，然后在quick 里选genrate series，输入rs=@pch（s），点击确定，出来的结果即为收益率

‘陆’ 用eviews软件计算股票波动率，garch（1,1）模型估计出来的结果如下图，请问那些数值是表示波动率的

c————欧米伽

RESID(-1)^2——阿尔法

GARCH（-1）——贝塔

带入下面方程式

‘柒’ 这是一份直接就能上手操作的eviews上机实用指南 -----------回归模型诊断及修正

建立回归模型之后，我们首先要进行异方差性，自相关性及多重共线性的检验。这些内容在实际操作中需要一定的理解与实践。下面，我将以股票价格指数与GDP数据作为案例进行具体说明，仅涉及数据录入与检验步骤，其他概念与理论理解将在此省略。

数据采集方面，选取的是1981-2006年期间的股票价格指数与GDP数据作为分析对象。按照数据输入流程，将这些信息录入至Eviews软件，运用最小二乘法建立起基础的一元线性回归模型。

随后，将数据输入Eviews并进行回归分析，以观察模型建立后的表现。在这一阶段，我们通常使用怀特检验来检测异方差性问题，以确定模型是否存在方差变化。具体操作是通过观察F值和nR2值来判断是否有显着异方差。

当结果显示存在异方差性时，需要进一步调整模型以修正这一问题。通过采用加权最小二乘法，我们试图使模型更准确地反映实际情况。回归分析后，再次进行怀特检验以确认问题是否得到解决。

解决异方差性后，紧接着进行自相关性的检验。首先，通过计算自相关系数p值（p=1-dw/2），了解是否存在序列相关性。若检测到自相关性，应使用广义差分法调整模型，以消除序列相关问题。

在引入广义差分后，再次进行自相关性检验，通过观测DW值的变化来判断问题是否得到妥善处理。如果DW值位于适宜范围，初步判断自相关性问题得到了解决。

若初步检验仍未消除自相关性问题，我们继续进行更高阶的检验，如LM检验，以确定确切的自相关性阶次。根据检测结果，采用相应的广义差分法（如二阶广义差分法）估计模型参数。

整个过程中，通过持续的检验与调整，确保回归模型的准确性和可靠性。通过上述步骤，不仅能够有效诊断并修正模型中存在的问题，还能够更精确地反映实际经济关系。