ARCH和GARCH模型

一.概述
二.ARCH模型优化方向
三.模型
- 1.总体模型
- 2.优化实质
- 3.ARCH(q)模型
- 4.GARCH(p,q)模型
- 5.检验GARCH效应
- - 【1】概述
  - 【2】算法：LM检验
- 6.何时使用ARCHARCHARCH或GARCHGARCHGARCH模型
四.一个实例
- 1.摘要
- 2.数据导入
- 3.画出时间序列图
- 4.计算日收益率数据
- 5.检验序列r是否为单位根序列（ADFADFADF检验）
- 6.判断AMRAAMRAAMRA模型的阶数(ACFACFACF图与PACFPACFPACF图)
- 7.利用AICAICAIC和BICBICBIC选择模型
- 8.ARMA（3,3）模型的估计结果
- 9.残差序列的分布直方图
- 10.检验残差是否为白噪声
- 11.对残差的平方进行LM检验（检验是否存在GARCHGARCHGARCH误差）
- 12.利用AIC、BIC选择合适的模型
- 13.预测结果

一.概述

ARCH模型（Autoregressive conditional heteroskedasticity model）全称“自回归条件异方差模型”
在现代高频金融时间序列中，数据经常出现波动性聚集的特点，但从长期来看数据是平稳的，即长期方差（无条件方差）是定值，但从短期来看方差是不稳定的，我们称这种
异方差为条件异方差。传统的时间序列模型如ARMA模型识别不出来这一特征。

二.ARCH模型优化方向

数据呈现波动聚集性（volatility clustering）长期来看时间序列平稳，短期来看不平稳，存在异方差，这时会使用ARCH/GARCHARCH/GARCHARCH/GARCH模型

三.模型

1.总体模型

2.优化实质

因为加法条件异方差的性质不容易探究，因此我们所说的ARCH模型均是
下面的乘法条件异方差模型。
另外，大家可以看出
实际上ARCH模型是在ARMA模型的基础上提出来的，两者的区别在于扰动项的设置不同，在ARMA模型中扰动项是最简单的白噪声序列

3.ARCH(q)模型

其实就是改变了扰动项

4.GARCH(p,q)模型

5.检验GARCH效应

【1】概述

检验ARMAARMAARMA模型预测之后

对干扰项检验，若为白噪声，则均值模型估计完全了，否则更ARMAARMAARMA重新估计
检验干扰项的平方是否为白噪声，若是则无GARCHGARCHGARCH效应，否则存在GARCHGARCHGARCH效应

【2】算法：LM检验

// LM检验：是否存在ARCH误差
reg ressq l.ressq l2.ressq l3.ressq l4.ressq l5.ressq // 将残差平方项对其滞后项回归
gen LM_STAT=e(N)*e(r2) // 计算LM统计量
display LM_STAT // 输出LM统计量
display chiprob(e(df_m),LM_STAT) // 计算p值

6.何时使用ARCHARCHARCH或GARCHGARCHGARCH模型

四.一个实例

1.摘要

就是预测股票趋势

2.数据导入

clear  // 清空变量
* (1) 导入数据并生成时间序列  (*和//都可以用来注释一行)
insheet using "C:\Users\晨沉宸尘\Desktop\上课用的课件和代码(下载后记得解压，所有视频配套的都在里面)\清风数学建模课件和代码（全套下载后请解压)\更新视频的课件和代码\更新7 ARCH和GARCH模型\数据和代码\Bindex.csv"  //导入位于和代码同一文件夹下的csv数据文件
gen datevar = date(date,"YMD")   // 将csv中的变量date转换为stata能识别的时间数据datevar
format datevar %td // 对datevar的展示格式进行转换，转换后以:日月年 显示
label variable datevar "日期"  // 设置datevar的标签为日期，主要用于画图时的展示
tsset datevar   // 定义datevar是一个时间序列数据
gen time=_n  // 定义一个从1到n的time序列，n是观测值的个数，系统自动在后台记录的
tsset time   // 将time这个序列定义为时间序列，后续滞后算子时需要用到

3.画出时间序列图

// 画深成B指的时间序列图
line index datevar
graph export "深成B指的时间序列图.png", as(png) replace   // 导出图片到本地文件夹

line y,x;

根据2014年1月至2018年5月共计1064个交易日的收盘价数据，我们做出了B股指数的时序图从图中可以看出，指数序列非平稳，尤其是2015年到2016年之间波动十分剧烈。

4.计算日收益率数据

// 计算日收益率数据
gen r=100*(index-L.index)/L.index   //（今天的收盘价-昨天的收盘价）/昨天的收盘价   L是lag的缩写

L.indexL.indexL.index表示上一次的indexindexindex

// 对日收益率r进行描述性统计
summarize r

// 做出日收益率的时间序列图
line r datevar
graph export "深成B指日收益率的时间序列图.png", as(png) replace   // 导出图片到本地文件夹

5.检验序列r是否为单位根序列（ADFADFADF检验）

就是为了判断一下用ARMAARMAARMA模型还是ARIMAARIMAARIMA模型

// 检验收益率序列r是否为单位根,检验方法是ADF检验(原假设：是单位根序列，备择假设：是平稳序列)
dfuller r
// MacKinnon approximate p-value for Z(t) = 0.0000  p值为0意味着拒绝原假设，所以我们认为r序列平稳

ADFADFADF检验的原假设：数据是单位根序列，备择假设：数据是平稳序列
ppp值为000表示拒绝原假设，认为rrr序列平稳
上表结果显示ppp值为0，在99%的置信水平下拒绝原假设，故序列平稳。使用ARMAARMAARMA模型

注意：平稳数据建模用ARMA模型（或者ARIMA(p,0,q)），单位根数据建模用ARIMA模型。

6.判断AMRAAMRAAMRA模型的阶数(ACFACFACF图与PACFPACFPACF图)

// 观察acf图与pacf图 ，判断AMRA模型的阶数
ac r,lags(20)   // 自相关系数图，滞后20期
graph export "自相关系数图.png", as(png) replace   // 导出图片到本地文件夹pac r,lags(20)  // 偏自相关系数图，滞后20期
graph export "偏自相关系数图.png", as(png) replace   // 导出图片到本地文件夹

由ACF图和PACF图，3阶和8阶相关系数较为显著，8阶之后的显著可能由于误差导致，不予考虑。 (1阶虽然显著，但其包含的信息太少，我们对高频数据进行建模时往往不考虑)
因此，为保证模型选取的准确性，我们拟合了四个模型并从中选取最
优的模型。
其中
Model1：ARMA（3,3)Model1：ARMA（3,3)Model1：ARMA（3,3)；Model2：ARMA（8,8)Model2：ARMA（8,8)Model2：ARMA（8,8)；
Model3：ARMA（3,8）Model3：ARMA（3,8）Model3：ARMA（3,8）；Model4：ARMA（8,3）Model4：ARMA（8,3）Model4：ARMA（8,3）。

7.利用AICAICAIC和BICBICBIC选择模型

太多的滞后项会增加预测的误差，太少的滞后项又会遗失部分相关信息。经验和理论知识通常是用来决定滞后项阶数的最好方式，然而，依然存在着一些准则帮助我们确定滞后的阶数。为了确定哪个模型拟合效果最好，我们分别估计出了这四种模型，并给出了对应的AICAICAIC和BICBICBIC值，我们认为AIC与BIC值较小，模型拟合效果较好。

我们根据AIC和BIC准则可知，这四个模型中应选取Model1，即ARMA（3,3）模型。此时，AIC值和BIC值的平均值最小。

8.ARMA（3,3）模型的估计结果

建立

9.残差序列的分布直方图

// ARIMA(3,0,3)模型的AIC值和BIC值的平均值最小，所以下面我们使用这个模型进行估计
arima r,arima(3,0,3)// 得到残差的预测值并生成残差分布直方图图
predict residess, residuals   // 保存残差
hist residess,norm freq  // norm freq表示加上标准正态分布的概率密度函数
graph export "残差分布直方图.png", as(png) replace   // 导出图片到本地文件夹

10.检验残差是否为白噪声

接着，我们使用Ljung‐Box Q检验，来检验ARMA模型的有效性，检验结果为下表所示：


// 检验残差是否为白噪声序列，检验方法为Q检验：原假设是白噪声，备择假设不是白噪声
wntestq residess, lag(12)   // 对残差序列进行白噪声检验
// 生成残差的平方，并进行Q检验
gen ressq = residess^2   // 生成残差平方序列ressq
wntestq ressq, lag(12) // 对残差平方序列ressq进行白噪声检验

滞后12项的检验值的P值大于0.05，在5%的显著性水平下并不能拒绝原假设。故可以认为通过白噪声检验，即我们认为回归得到的残差不存在较明显的相关性，因此模型有效性较好。

11.对残差的平方进行LM检验（检验是否存在GARCHGARCHGARCH误差）

// LM检验：是否存在ARCH误差
reg ressq l.ressq l2.ressq l3.ressq l4.ressq l5.ressq  // 将残差平方项对其滞后项回归
gen LM_STAT=e(N)*e(r2) // 计算LM统计量
display LM_STAT  // 输出LM统计量
display chiprob(e(df_m),LM_STAT) // 计算p值

12.利用AIC、BIC选择合适的模型

// 利用AIC BIC选择合适的模型进行估计
// 注意：扰动项的分布在金融数据中常服从t分布
// 正态分布下GARCH(1,1)估计
arch r,arima(3 0 3) arch(1) garch(1)
estat ic
// t分布下GARCH(1,1)估计
arch r,arima(3 0 3) arch(1) garch(1) distribution(t 3)  // 自由度为3的t分布
estat ic
// 正态分布下GARCH(2,2)估计
arch r,arima(3 0 3) arch(2) garch(2)
estat ic
// t分布下GARCH(2,2)估计
arch r,arima(3 0 3) arch(2) garch(2) distribution(t 3)
estat ic

相加平均找个最小
通过比较AIC和BIC，最终我们选择使用带有GARCH(1,1)且vt服从t分布的扰动项的ARMA(3,3)模型进行估计的

13.预测结果

// 得到拟合结果，并进行预测
arch r,arima(3 0 3) arch(1) garch(1) distribution(t 3)
tsappend ,add(10)  // 将时间延长10期
predict result // 对数据进行预测
tsline result r, legend(label(1 "预测值")  label(2 "真实值"))   // 绘制拟合图
graph export "预测结果图.png", as(png) replace   // 导出图片到本地文件夹

打开

只有四个预测准确，后面的一样由于MA模型的影响

数学建模更新7（ARCH和GARCH模型）相关推荐

数学建模——智能优化之粒子群模型详解Python代码
数学建模--智能优化之粒子群模型详解Python代码 import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplo ...
Python玩转金融时间序列之ARCH与GARCH模型
01 引言作为金融时间序列的专题推文,[手把手教你]时间序列之日期处理主要介绍了使用Python处理时间序列的日期和统计分析:[Python量化基础]时间序列的自相关性与平稳性主要介绍了时间序列的一 ...
arch检验python_Python玩转金融时间序列之ARCH与GARCH模型
01 引言作为金融时间序列的专题推文,[手把手教你]时间序列之日期处理主要介绍了使用Python处理时间序列的日期和统计分析:[Python量化基础]时间序列的自相关性与平稳性主要介绍了时间序列的一 ...
Algorithm：数学建模大赛之数学建模基础(经验/技巧)、流程(模型准备/模型假设/建模/求解/分析/优化/预测/评价)、论文写作(意义/摘要/关键词/问题重述和模型假设/建模/文献)之详细攻略
Algorithm:数学建模大赛之数学建模基础(经验/技巧).流程(模型准备/模型假设/建模/求解/分析/优化/预测/评价).论文写作(意义/摘要/关键词/问题重述和模型假设/建模/求解/结论/参考文 ...
数学建模——一维、二维插值模型详解Python代码
数学建模--一维.二维插值模型详解Python代码一.一维插值 # -*-coding:utf-8 -*- import numpy as np from scipy import interpol ...
数学建模清风第一次直播：传染病模型和微分方程拟合
学习网址:课件下载数学建模清风第一次直播:传染病模型和微分方程拟合数学建模清风第二次直播:模拟退火算法数学建模清风第三次直播:excel在数学建模中的应用博客笔记: 数学建模清风第一次直播:传 ...
Matlab数学建模（七）：连续模型
一.学习目标 (1)了解连续模型及解题步骤. (2)掌握用 dsolve 求解常见的微分方程解析解. (3)掌握用 ODE 家族的求解器求解数值解. (4)掌握使用专用的求解器求解. 二.实例演练 ( ...
【数学建模】1层次分析法模型部分
目录 1 数学建模的任务分配 2 简介 3 模型介绍 3.1 评价类问题 3.2 拿到建模问题 3.3 推荐搜索网站 3.4 确定好指标 3.5 确定指标权重 (1)采用分而治之的思想 (2)分而治之 ...
种群内禀增长率matlab求法,数学建模讲义：第三讲微分方程模型
<数学建模讲义:第三讲微分方程模型>由会员分享,可在线阅读,更多相关<数学建模讲义:第三讲微分方程模型(74页珍藏版)>请在人人文库网上搜索. 1.第三讲微分方程模型,动态模 ...
数学建模当中常用的十大模型及各对应算法
数学建模当中常用的十大模型及各对应算法图文展示:

数学建模更新7（ARCH和GARCH模型）