① 股票怎样区间统计
在K线图和分时图里都能统计区间内的涨跌、振幅、换手等数据，帮助投资者迅速地统计出一个股票在一段时间内的各项数据，而且还提供阶段统计表格，这样就能对一个时间段内的数据在不同股票之间进行排序、比较。点击“工具”菜单下的“区间统计”，鼠标变成“统计”字样，按住鼠标左键，点住测量起点拖动到终点，就会拉出一个框，系统将对这个框所对应时间段里股票的涨跌幅、总成交量、换手率等指标做出统计，让您简单、快捷地分析股票的走势。在出现“区间统计表格”之后只用在空白处点击鼠标，表格就会自动消失。鼠标点中起点或者终点的边框线上，“区间统计表格”又会出现。点中起点或者终点边框线，点击鼠标右键选择“删除”即可删除。“区间统计”功能在分时走势页面和技术分析页面都可以使用。在K线图页面使用鼠标右键拖动也可以选择使用“区间统计”功能，还有一个“放大”K线的功能。在分时图使用鼠标右键拖动则只实现“区间统计”功能。
技术分析是指以市场行为为研究对象，以判断市场趋势并跟随趋势的周期性变化来进行股票及一切金融衍生物交易决策的方法的总和。技术分析认为市场行为包容消化一切信息、价格以趋势方式波动、历史会重演。
自股票市场产生以来，人们就开始了对于股票投资理论的探索，形成了多种多样的理论成果。实际上，技术分析是100多年前蒙昧时期创建的股票投资理论（ Stock Investment Theory），是精明的投资者对股价变化进行长期观察并积累经验，逐步归纳总结出来的有关股市波动的若干所谓的“规律”。
经过长期发展和演变，技术分析形成了众多的门类，其中有代表性的是道氏理论和波浪理论。
② 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。
③ 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。