首先在主窗口输入
LS RR RR(-1) (-2) (-3)
得出
Variable Coefficient Std. Error t-Statistic Prob.
RR(-1) 0.007606 0.059014 0.128883 0.8975
RR(-2) 0.058005 0.058549 0.990707 0.3227
RR(-3) 0.121110 0.058985 2.053245 0.0410
然后在点estimate 在下拉选项中选择ARCH
在命令窗口中再次输入
LS RR RR(-1) (-2) (-3)
并在ARCH出填入2,GARCH处为1,得出结果
Variance backcast: ON
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*RESID(-2)^2 + C(7)
*GARCH(-1)
Coefficient Std. Error z-Statistic Prob.
RR(-1) 0.013392 0.056863 0.235514 0.8138
RR(-2) 0.120481 0.062146 1.938671 0.0525
RR(-3) 0.095921 0.056070 1.710743 0.0871
Variance Equation
C 0.000127 3.59E-05 3.553327 0.0004
RESID(-1)^2 -0.043907 0.029463 -1.490253 0.1362
RESID(-2)^2 0.248625 0.078855 3.152960 0.0016
GARCH(-1) 0.079769 0.211942 0.376372 0.7066
R-squared 0.003674 Mean dependent var 0.001397
Adjusted R-squared -0.017908 S.D. dependent var 0.013305
S.E. of regression 0.013423 Akaike info criterion -5.819411
Sum squared resid 0.049910 Schwarz criterion -5.729472
Log likelihood 833.3564 Durbin-Watson stat 1.974819
RR是上证综合指数的周收益,用此AR(3)-GARCH(2,1)是用残差来检验超额收益的。
具体如下:要使用 GARCH 模型,我们需要指定它。执行此操作的函数是 ugarchspec()。我认为最重要的参数是 variance.model 和 mean.model。
variance.model 是一个命名列表,也许最感兴趣的两个元素是 model 和 garchOrder。model 是一个字符串,指定拟合哪种类型的 GARCH 模型。
一种偏斜-t分布的随机数生成方法及其Matlab实现.然后,以GARCH模型为例,探讨了该随机数生成器的在参数估计中的表现.极大似然估计的结果表明,各个系数的估计量均具有无偏性.这也就是说,该随机数生成器可以有效地应用于时间序模型,如GARCH模型的模拟.本研究的随机数生成器为基于蒙特卡罗技术,进一步讨论时间序列的偏斜特征如何影响模型参数估计的元偏性,效率性和渐近正态性等统计特性提供了基础.