请问下拟合garch模型只有arch1不显著时怎么办，上课没好好听(ﾟДﾟ)ﾉ

理智粉 2019-05-23 12:04:38

sas数据分析，请问下拟合garch模型只有arch1不显著时怎么办，上课没好好听(ﾟДﾟ)ﾉ

...全文

550 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

本文介绍了ARCH与GARCH模型在时间序列波动率分析中的应用，详细阐述了波动率的特征、模型建立步骤，并提供了使用Python进行模型检验和拟合的代码示例。通过对收益率序列的ARIMA建模和ARCH效应检验，确定了GARCH模型的阶次，展示了模型的构建过程。

本文使用R语言对沪深300指数的波动性进行了深入分析，通过时序图和ADF检验展示了数据的平稳性。在建立模型方面，首先识别出ARMA(4,4)的均值模型，然后通过ARCH效应检验选择GARCH(1,1)模型。在模型优化过程中，对比了多种GARCH模型和分布，发现指数GARCH模型与偏广义误差分布最匹配，揭示了沪深300指数波动的尖峰厚尾和非对称特性。最后，选择了ARMA(4,4)-eGARCH(1,1)-SGED模型并对其进行了详细分析。

本文介绍了使用R语言建立DCC-GARCH模型的步骤，包括时间序列的对数化和差分、单位根检验、ARMA模型构建、残差自相关性检验、GARCH模型拟合及DCC-GARCH模型的应用，强调了在每个步骤中的关键检验和图形分析。

本文探讨了如何运用ARIMA-GARCH模型处理非平稳且具有集群效应的时间序列数据，通过R语言进行实证研究，对央行汇率进行预测。首先对原始数据进行差分处理，然后建立ARIMA模型，确保残差为白噪声。接着，通过正态性和ARCH效应检验，确定需要构建GARCH模型。最终得到的ARIMA-GARCH模型能够有效提取时间序列的水平信息和波动信息，进行准确的未来汇率预测。

文章介绍了自回归条件异方差模型（ARCH）和广义自回归条件异方差模型（GARCH）在处理金融时间序列数据时，如何应对波动聚集现象。通过R语言对微软股价收益率进行建模，包括ADF检验、正态性检验、ARCH效应检验，最终选用GARCH(1,1)模型，并对比了正态分布和t分布下的模型效果。

259

社区成员

6,544

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章