高铁梅老师的EVIEWS教学课件条件异方差模型(4)

第三部分 扩展的单方程分析

时，估计出的统计结果如下：

Dependent Variable: LOG(SP) Method: ML - ARCH (Marquardt) Date: 11/05/03 Time: 11:18 Sample: 1/02/1998 12/31/2001 Included observations: 1042

Convergence achieved after 17 iterations Variance backcast: ON LOG(SP(-1)) C ARCH(1) GARCH(1) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood

Coefficient Std. Error 1.000031 4.31E-05 z-Statistic 23212.87 Prob. 0.0000 Variance Equation 1.20E-05

2.27E-06

5.276962 11.44399 33.36459 0.0000 0.0000 0.0000 7.381399 0.201880 -5.762150 -5.743153 1.935914

0.249838 0.021831 0.732119 0.021943 0.994221 Mean dependent var 0.994204 S.D. dependent var 0.015369 Akaike info criterion 0.245190 Schwarz criterion 3006.080 Durbin-Watson stat

ARCH估计的结果可以分为两部分：上半部分提供了均值方程的标准结果；下半部分，即“方差方程”包括系数，标准误差，z-统计量和方差方程系数的P值。ARCH的参数对应于方程（7.1.7）中的?，GARCH的参数对应于?。在表的底部是一组标准的回归统计量，使用的残差来自于均值方程。

对这个重新估计出来的方程再进行异方差的检验，在滞后阶数对话框中选择1，得到的检验结果为：

ARCH Test: F-statistic Obs*R-squared 0.032613 Probability 0.032675 Probability 0.856724 0.856555 相伴概率P = 0.8567，接收原假设，即股票价格指数中的异方差性通过ARCH模型消除了。

2．估计TARCH模型

估计TARCH模型，要以一般形式指定ARCH模型，但是应该点击ARCH Specification目录下的TARCH(asymmetric)按钮。

16

第 7章 条件异方差模型

点击OK以后，得到了例7.3中的TARCH模型的统计结果：

Dependent Variable: LOG(SP) Method: ML - ARCH (Marquardt) Date: 11/02/03 Time: 15:27 Sample: 1/02/1998 12/31/2001 Included observations: 1042

Convergence achieved after 25 iterations Variance backcast: ON LOG(SP(-1)) C ARCH(1) (RESID<0)*ARCH(1)

GARCH(1) R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient 0.999985 Std. Error z-Statistic 5.08E-05 19689.60 Prob. 0.0000 Variance Equation 8.19E-06 0.126555 0.149909 0.788729

1.47E-06 5.571094 0.016696 7.580203 0.028257 5.305174 0.017363 45.42694

0.0000 0.0000 0.0000 0.0000 7.381399 0.201880 -5.772569 -5.748821 1.935038 0.994218 Mean dependent var 0.994196 S.D. dependent var 0.015380 Akaike info criterion 0.245290 Schwarz criterion 3012.508 Durbin-Watson stat 杠杆效应项(?)在结果中记作RES/SQR[ARCH](1)，显著大于零，说明股票价格的波动具有“杠杆”效应：“利空消息”能比等量的“利好消息”产生更大的波动：当出现“利好消息”时，会对股票价格指数带来一个0.127倍的冲击，而出现“利空消息”时，则会带来一个0.277（0.127+0.150）倍的冲击。

3．估计非对称成分ARCH模型

估计成分ARCH模型选择方程对话框中的Component ARCH选项。本例估计非对称的成分ARCH模型，应选择Asymmetric Component选项，估计的结果为：

Dependent Variable: LOG(SP) Method: ML - ARCH (Marquardt) Date: 11/06/03 Time: 10:38 Sample: 1/02/1998 12/31/2001 Included observations: 1042

Convergence achieved after 11 iterations Variance backcast: ON

17

第三部分 扩展的单方程分析

LOG(SP(-1))

Perm: C Perm: [Q-C]

Perm: [ARCH-GARCH] Tran: [ARCH-Q] Tran: [GARCH-Q] R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Prob. 0.0000

Coefficient Std. Error z-Statistic 1.000023

2.25E-05 44348.65

Variance Equation

0.000415 0.000191 2.170972 0.985226 0.008342 118.1069 0.132274 0.030877 4.283840 0.126747 0.042812 2.960563 0.650570 0.069164 9.406141 0.994221 Mean dependent var 0.994187 S.D. dependent var 0.015392 Akaike info criterion 0.245190 Schwarz criterion 3010.224 Durbin-Watson stat 0.0299 0.0000 0.0000 0.0031 0.1981 0.0000 7.381399 0.201880 -5.764346 -5.731100 1.935895 Tran: (RES<0)*[ARCH-Q] 0.050431 0.039183 1.287070

Perm的系数：表示长期方程的系数；Tran：表示暂时方程的系数。其中长期方程的系数为Perm: C非条件方差或长期波动率w；Perm: [Q-C]是长期分量中的持续性的估计?； Perm: [ARCH-GARCH]是系数?。

暂时方程表示短期的变动性，其中暂时方程的系数为Tran: [ARCH-Q]表示方差方程中的?；Tran: (RES)<0*[ARCH]就是非对称项?；Tran : [GARCG-Q] ]表示方差方程中的?。

??0.993，表明长期分量缓慢的收敛于稳态。短本例中长期分量中的持续性的估计为???0.777的控制，它是边际显著的。 ???期的变动性由?4．绘制估计的信息冲击曲线

为了更为具体地分析非对称性的效果，可以画出依赖冲击的信息影响曲线。下面以例7.3中EGARCH模型的方差方程中的波动性?t2相对于反向冲击u来绘制信息影响曲线的方法。

设z?u?为例介绍使用EViews

?，首先在工作文件中估计沪市股票价格指数数据的EGARCH模型，然后通

2过选择Procs/Make GARCH Variance Series产生条件方差序列?，序列名为garch01。通过选择Procs/Make Residual Series生成残差序列resid1，利用Genr计算z?u?：

z?resid1sqr(garch01)

利用EXCEL软件将z按由小到大排列，然后重新建立含有z的非时间序列工作文件SIG，样本期间是1～1041，利用EGARCH模型的系数?和?，通过以下的命令生成序列：

Serieslog(s)?0.304*abs(z)?0.07*z

18

第 7章 条件异方差模型

其中s是序列名字。注意到EViews会从对数表达式中自动生成序列s。

最后，选择z和s序列，先双击Open Group，然后双击View/Graph/xy line。图7.4是描述EGARCH模型拟合沪市的股票收盘价格指数数据的信息冲击曲线。

6 5 4 3 2 1

0-5-4-3-2-101234567图7.4 沪市的股票收盘价格指数的信息冲击曲线

19