基于GARCH模型的气象数据波动性研究
基于极端冲击的GARCH-MIDAS模型对股市波动率预测研究
基于极端冲击的GARCH-MIDAS模型对股市波动率预测研究基于极端冲击的GARCH-MIDAS模型对股市波动率预测研究摘要：股市波动率是衡量市场风险的重要指标之一，对于投资者的决策和风险管理至关重要。
传统的波动率预测模型往往忽视了极端冲击对股市波动率的影响，导致对波动率的预测偏差较大。
为了解决这一问题，本文提出了一种基于极端冲击的GARCH-MIDAS模型，该模型通过引入极端冲击因子来捕捉极端事件对波动率的影响。
实证结果表明，该模型能够较好地捕捉到股市波动率的极端波动，并且在预测能力上优于传统的GARCH模型。
关键词：股市波动率、极端冲击、GARCH-MIDAS模型、预测能力一、引言股市波动率是衡量市场风险的重要指标之一，对于投资者的决策和风险管理至关重要。
准确预测股市波动率能够帮助投资者做出合理的投资决策，并且对于风险管理也具有重要意义。
然而，由于股市的波动性具有非线性和异方差性，传统的波动率预测模型往往存在较大的预测误差。
当前，市场中的极端事件越来越频繁，这些事件往往对股市波动率产生巨大影响。
然而，传统的波动率预测模型往往忽视了这些极端冲击的存在，导致对波动率的预测偏差较大。
因此，本文尝试引入极端冲击因子，构建一种基于极端冲击的GARCH-MIDAS模型，来更好地预测股市波动率。
二、相关理论2.1 GARCH模型GARCH模型是一种经典的波动率模型，它通过引入ARCH 效应来描述波动率的变化。
GARCH模型的基本形式为：\[ \sigma_t^2 = \omega + \alpha \varepsilon_{t-1}^2 + \beta \sigma_{t-1}^2 \]其中，\[ \sigma_t^2 \]表示时间t的波动率，\[ \varepsilon_{t-1}^2 \]表示时间t-1的误差平方，\[ \omega \]、\[ \alpha \]和\[ \beta \]分别为常数。
2.2 MIDAS模型MIDAS（Mixed Data Sampling）模型是一种使用不同频率数据的波动率预测模型，它可以将高频数据和低频数据进行有效融合。
基于GARCH模型中国股市波动性的实证分析
基于GARCH模型中国股市波动性的实证分析基于GARCH模型中国股市波动性的实证分析摘要：本文应用ARCH,GARCH,TARCH,EGARCH,GARCH-M模型对中国股市收益率进行定性及定量的分析。
考虑到我国股市变动的实际效果，提出EGARCH模型对我国股市是较好的选择。
分析股市的ARCH效应，对我国上证180指数收益率进行实证分析。
关键词：上证180指数,;GARCH模型;ARCH效应;收益率一、模型简介ARCH模型最早是由Engle于1982年提出，是最简单最基础的条件异方差模型(自回归条件异方差模型)，用来描述波动的集群性和持续性。
但是为了获取条件异方差的动态特征需要高阶的ARCH模型。
Bollerslev将ARCH模型的阶数推广到无穷，得到广义的自回归条件异方差模型，即GARCH模型。
该模型大大减少了参数估计的个数，具有良好的处理厚尾的能力。
后来的研究中先后对ARCH模型进行扩展，提出了ARCH-M,TARCH和EGARCH等模型。
现在国内的一些学者对证券市场上股票的价格及收益率进行了研究，指出与西方比较相像，其波动性呈现出明显的尖峰厚尾，异方差，波动的群集性等特征。
目前我国一些学术界的人对我国证券市场的指数进行实证研究，岳朝龙(2002)，万蔚(2007)，曾慧(2005)都对上证综合指数进行了实证研究，同样反映出我国证券市场的指数收益率呈现尖峰厚尾的特性。
但是还没有对上证180指数进行过ARCH效应的实证检验。
二、研究的目的和数据的.选取上证成份指数(SSE CONSTITUENT INDEX，简称上证180指数)是上海证券交易所中选取的股票。
以2008年1月2日为基准日。
本文选取2008年1月2日至2012年12月31日的上证180指数的收盘价进行分析，共有1119个数据(资料来源于海通大智慧)。
本文的分析均用Eviews3、1进行分析。
由于这一指数属于时间序列，容易导致不稳定性，因而用对数指数收益率。
基于GARCH族模型的深证成指波动特征实证分析
第１１卷第１期２０１８年２月 沈阳工业大学学报（社会科学版） ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（ＳｏｃｉａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）Ｖｏｌ．１１Ｎｏ．１Ｆｅｂ．２０１８收稿日期：２０１７－０９－１１基金项目：教育部人文社会科学研究青年基金项目（１６ＹＪＣ７９００１７）。
作者简介：付岱山（１９６７－），男，辽宁昌图人，副教授，博士，主要从事金融学、宏观经济学等方面的研究。
本文已于２０１８－０１－１２０９∶０６在中国知网优先数字出版。
网络出版地址：ｈｔｔｐ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／２１．１５５８．Ｃ．２０１８０１１１．１４２６．００２．ｈｔｍｌ【经济理论与应用】ｄｏｉ：１０．７６８８／ｊ．ｉｓｓｎ．１６７４－０８２３．２０１８．０１．０６基于ＧＡＲＣＨ族模型的深证成指波动特征实证分析付岱山，王 楠（沈阳工业大学经济学院，沈阳１１０８７０）摘 要：采用ＧＡＲＣＨ族模型对深证成指总体及分阶段收益率的波动性进行统计拟合分析，指出深证成指的波动具有集聚性、持久性、显著的非对称性效应及阶段性特征。
以深证成指价格达到最高点的时间点为分界，将整个样本分成两个阶段：在第一阶段，“利好消息”对深证成指的冲击比同等程度的“利空消息”大；在第二阶段，“利空消息”的冲击比同等程度的“利好消息”大。
这说明深证市场具有杠杆效应。
关 键 词：ＧＡＲＣＨ族模型；深证成指；波动特征；利好消息；利空消息中图分类号：Ｆ８３０．９ 文献标志码：Ａ 文章编号：１６７４－０８２３（２０１８）０１－００３２－０６ 股市波动性一直是众多学者研究的重点。
早在１９７０年，Ｆａｍａ就发现股票价格变动具有集聚特点［１］。
Ｅｎｇｌｅ第一次提到ＡＲＣＨ模型，并将其应用到实际的研究中［２］。
Ｆａｍａ、Ｈａｇｅｍａｎ和Ｌａｕ等陆续发现收益率序列具有尖峰厚尾性等特征。
１９８６年，Ｂｏｌｌｅｒｓｌｅｖ提出了以ＡＲＣＨ模型为基础的ＧＡＲＣＨ模型［３］。
波动率预测GARCH模型与隐含波动率
波动率预测GARCH模型与隐含波动率一、本文概述波动率预测一直是金融领域的核心问题之一，对于投资者、风险管理者和市场监管者都具有重要意义。
本文旨在探讨GARCH模型（广义自回归条件异方差模型）在波动率预测中的应用，并与隐含波动率进行比较分析。
通过这一研究，我们希望能够更深入地理解这两种波动率预测方法的原理、优缺点及适用范围，为金融市场的稳定和发展提供理论支持和实践指导。
本文首先将对GARCH模型进行详细介绍，包括其理论基础、模型构建过程以及在实际应用中的表现。
随后，我们将对隐含波动率的概念、计算方法和应用领域进行阐述。
在此基础上，我们将对GARCH模型预测波动率与隐含波动率进行比较分析，探讨它们之间的异同点以及在不同市场环境下的适用性。
通过本文的研究，我们期望能够为投资者提供更准确的波动率预测方法，帮助他们在金融市场中做出更明智的投资决策。
我们也希望为风险管理者提供有效的风险管理工具，以降低投资风险并保护投资者的利益。
我们还将为市场监管者提供政策建议和监管思路，以促进金融市场的健康稳定发展。
二、波动率与金融市场在金融市场中，波动率是一个至关重要的概念，它反映了资产价格变动的幅度和不确定性。
对于投资者和风险管理者来说，理解并预测波动率是做出有效决策的关键。
因此，波动率预测在金融领域中具有广泛的应用，包括但不限于资产配置、风险管理、衍生品定价和投资策略制定等。
在众多波动率预测模型中，GARCH模型（广义自回归条件异方差模型）因其能够捕捉金融时间序列数据的波动性聚集现象而备受关注。
波动性聚集是指资产价格在大幅波动后往往伴随着更大的波动，而在小幅波动后则可能出现较小的波动。
GARCH模型通过引入条件方差的概念，允许波动率随时间变化，并能够在一定程度上解释这种波动性聚集现象。
除了GARCH模型外，隐含波动率也是金融市场中的一个重要概念。
隐含波动率是指从金融衍生品价格中反推出的波动率，它反映了市场对未来资产价格波动的预期。
基于GARCH族混合模型的沪深300指数波动预测
基于GARCH族混合模型的沪深300指数波动预测1. 引言沪深300指数作为中国国内最具代表性的股票指数之一，对于投资者和市场分析师来说具有重要的参考价值。
在金融市场中，波动率是衡量市场风险的重要指标，对于投资者和决策者来说，准确地预测股票市场的波动率具有重要的意义。
本文将基于GARCH族混合模型，对沪深300指数的波动进行预测。
2. GARCH族混合模型GARCH模型是目前广泛应用的一种波动预测模型，它能够捕捉金融时间序列数据的波动特征。
而GARCH族混合模型则是对传统GARCH模型的扩展和演化，它能够更好地适应金融市场的特点，提高波动率的预测精度。
3. 数据来源与预处理本文使用的沪深300指数数据来源于中国证券市场的交易数据，包括了每日的开盘价、收盘价、最高价和最低价等信息。
首先需要对原始数据进行清洗和预处理，包括缺失值的处理、异常值的剔除以及数据的平稳化处理等。
在数据预处理的过程中，我们还需要对原始数据进行时间序列分析，包括对数据的自相关性、异方差性和周期性等进行诊断，以确定适合的模型和预测方法。
4. GARCH族混合模型的建立在确定了适合的预处理方法和模型结构之后，可以使用GARCH族混合模型对沪深300指数的波动进行建模和预测。
通过对历史数据的拟合和参数估计，可以得到一个波动率的预测模型。
在建立GARCH族混合模型的过程中，需要考虑到市场环境的变化和金融时间序列数据的特点，选择合适的模型结构和参数设置。
还需要充分考虑到预测结果的稳定性和准确性，以及模型的有效性和可靠性。
还可以对波动率的预测结果进行分析和解释，包括波动率的变化趋势、波动率的关联性和波动率的非线性特征等方面的内容。
这有助于投资者和决策者更好地理解市场的波动规律，从而更加精准地进行投资和风险管理。
6. 结论与展望通过GARCH族混合模型对沪深300指数的波动进行预测和分析，我们可以得到更加完整和深入的市场信息。
这有助于投资者更好地把握市场的脉搏，提高投资决策的准确性和效果。
基于GARCH族模型的股市收益率波动性研究
金融研究 山东财政学院学报(双月刊) 2009年第1期(总第99期)基于GARCH 族模型的股市收益率波动性研究安起光 郭喜兵(山东财政学院,山东济南 250014)[摘 要]通过运用GARCH 类模型对我国沪市的日收益进行分阶段分析,得出了对于不同的阶段,利空和利好消息对我国股市的影响是不同的,在熊市,利空消息产生的波动要大于利好消息产生的波动;而在牛市,利好消息产生的波动要大于利空消息产生的波动,而且在不同的阶段,投资者对风险所要求的收益也有较大差异。
[关键词]GARCH 模型;收益率;风险[中图分类号]F830.9 [文献标识码]A [文章编号]1008-2670(2009)01-0047-04[收稿日期]2008-12-24[作者简介]安起光,男,山东莱阳人,山东财政学院金融学院教授、硕士生导师,研究方向:金融工程;郭喜兵,男,山东聊城人,山东财政学院金融学院硕士研究生,研究方向:金融工程。
一、问题的提出近来,金融学家和计量学家对发达国家成熟资本市场的波动性进行了广泛的研究,得出金融时间序列一些共同特点。
首先,股票收益的经验分布显著不同于独立正态分布,表现出明显的尖峰厚尾性;第二,股票价格或指数的运动服从随机游走过程,而且一般是非平稳序列,但是收益序列通常呈现出平稳的特性;第三,收益序列本身几乎不呈现出相关性,而收益的平方序列却表现出比较明显的相关性。
基于以上特点,专家们提出了时变假设,并尝试通过特定的技术来预测金融时间序列的收益波动性。
1982年,Engle 提出了自回归条件异方差模型,即ARC H (Autoregressive Conditional Heteroskedastic)模型。
1986年,Bollerslev 又提出了广义ARC H (GARC H )模型。
国外许多学者也通过大量的实证分析证明了模型对于股票指数研究的适用性,而且也从中不断的对其进行完善与补充,又相继提出了EGARCH 模型、TGARC H 模型等GARC H 模型的延伸模型,我们称之为GARC H 族模型。
基于GARCH模型的沪深300指数收益率波动性分析
基于GARCH模型的沪深300指数收益率波动性分析一、引言近年来，随着中国资本市场的进步和经济的不息增长，沪深300指数作为中国股市的重要代表，引起了广泛的关注。
股市的波动性分析对于投资者的风险管理和投资决策具有重要的意义。
在这一背景下，本文将运用GARCH模型对沪深300指数的收益率波动性进行深度的分析，并进一步探讨影响指数波动的因素。
二、探究方法本文将接受GARCH模型来分析股市的波动性。
GARCH模型是一种常用的计量经济学方法，能够反映自回归条件异方差特性。
起首，我们需要计算沪深300指数的日收益率。
然后，通过基于过去数据的统计分析，建立GARCH模型，依据历史数据预估模型的参数，从而猜测将来股市的波动性。
最后，通过模型拟合和检验，裁定模型的有效性。
三、数据分析本文收集了沪深300指数的日收益率数据，并进行了数据预处理，包括收益率平稳性检验、白噪声检验等，以确保数据的可靠性和有效性。
然后，依据历史数据，建立了GARCH模型，拟合数据并进行了参数预估。
最后，通过对模型残差的诊断检验，验证了模型的有效性。
四、实证结果依据GARCH模型的预估结果，我们可以得到如下实证结果：起首，沪深300指数的收益率波动是存在异方差性的。
其次，GARCH模型是有效的，并能够对股市的波动性进行较为准确的猜测。
最后，我们还发现股市波动性存在长短期效应，即波动率在不同时间段内呈现出不同的特征。
五、影响因素分析在GARCH模型的基础上，我们进一步分析了影响股市波动性的因素。
通过引入不同的自变量，如市场风险溢价、联动程度、经济增长率等，我们可以利用模型进行多元回归分析，找出详尽的影响因素。
结果显示，市场风险溢价和联动程度等因素对股市波动性具有显著的影响。
六、风险管理与投资建议探究股市波动性对于投资者进行风险管理和制定投资策略具有重要的指导意义。
基于GARCH模型的分析结果，我们可以对投资者提出以下建议：起首，要关注股市的波动性，合理评估风险，防止过度乐观或悲观。
基于GARCH族模型的深证成指价格波动研究
Ｕｓ ｅ ＧＡＲＣＨ ａ ｉ ｏ ｅ ｓ ｔ ｔ ｄ ｈ ｉ ｅ Ｖｏ ａ ｉｉｙ ｆ ｍ ｌ ｍ ｄ ｌ ｏ Ｓ ｕ ｙ ｔ ｅ Ｐｒ ｃ ｌ ｔｌｔ ｙ
ｏ ｈ ｎｚ ｅ ｍ ｐ ｎ ｎｔＩ ｄ ｘ ｆＳ ｅ ｈ ｎ Ｃｏ ｏ ｅ ｎ ｅ
Ｇ Ｕ Ａ Ｎ ｕ Ｈ ａ
于 市 场 的 利 好 消 息 ， 动 率 的 反 应 则 会 出 现 相 反 的 波 情 况 Ｉ ｚ。
金融 数据 的 波动往 往 随着 时 间 的变化 而 变化 ， 而且 在波动 的变化 过程 中， 某些 时 段 里会 有 相对 比
期 第 ２ 卷 第 ３ ５
２ １ 年 Ｏ １
湖 南 大
学
学
报 （社 会 科 学 版 ）
Ｖｏ． １ ２５， ｏ Ｎ ．３
５ 月
Ｊ ｕ ｎ １ ｔ Ｈｕ ａ ｉｅ ｓｔ （ ｏ ｉ１ ｃｅ ｃ ｓ ｏ ｒ ａ ｏ ｎ ｎ Ｕｎ ｖ ｒ ｉ Ｓ ｃａ Ｓ ｉｎ ｅ ） ｙ
明显 的 尖峰 后尾 现 象 ， 票价 格 指 教 存 在 非 对称 效 应 ， Ａ Ｃ 模 型 较 好 地 拟 合 了股 票 价 格 指 教 的非 对 称 效 应 的 股 Ｅ Ｒ Ｈ
结论 。
［ 键 词 ］Ｇ Ｃ 族 ； 证 成指 ； 格 波动 关 ＡＲ Ｈ 深 价 ［ 图 分 类 号］Ｆ ３ ． 中 ８ ０９ ［ 献标 识 码 ］Ａ 文 ［ 文章 编 号 ］１ ０— １ ６ （０ １Ｏ — ０ ６一 Ｏ ｏ ８ ７ ３ ２ １ ）３ ｌ ｓｏ ｈ ｗｓ ｔ ａ ：ｔ ｅ ｄ ｓ ｒｂ ｔ ｎ ｏ ｅ ｕ ｎ ｒ ｔ ｓ ｓ ｒｅ ａ ｎ ｏ ｖｏ ｓ“ ｉ ｅ ｉ ｔ ｆｍｏ ｅｓ ｅ Ｃｏ ｃ ｕ ｉ ｎ ｓ ｏ ｈ ｔ ｈ ｉ ｔｉ ｕ ｉ ｆｒ ｔ ｒ ａ ｅ ｅ ｉ ｓ ｈ ｓ ａ ｂ ｉ ｕ ｐ ｋ － ｏ ｈ ｃ ａ ｌ ｐ ｅ ｏ ｎ ｎ；ｓ ｏ ｋ ｐ ｉ ｅｉ ｄ ｘ ｈ ｓｎ ｎ ｓ ｍｍ ｅ ｒｃ ｌ ｆｅ ｔ ｉ ｋ ｔ ｉ ｈ ｎ ｍｅ ｏ ” ｔ ｃ ｒｃ ｅ ａ ｏ － ｙ ｎ ｔ ｉａ ｆ ｃ ；ＥＡＲＣＨ ｄ ｌ ａ ｉ ｔ ｅｎ ｎ ｓ ｍ— ｅ ｍｏ ｅ ｃ ｎ ｆｔ ｈ ｏ — ｙ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ＤＯＩ：１０．１９５５１／ｊ．ｃｎｋｉ．ｉｓｓｎ１６７２－９１２９．２０１９．０６．０１２
·２９·
基于 ＧＡＲＣＨ模型的气象数据波动性研究
孟德嘉
（湘潭大学 数学与计算科学学院 湖南 湘潭 ４１１１０５）
用．α１ ＝０．１７１２３４说明当日波动对整体波动率有 一定程度影响．
ＡＩＣ ＝－２．３７９１００，表示 ＧＡＲＣＨ（１，１）模型可
以进行数据拟合．满足异方差性及自相关性．
对比 １节，发现其峰度值 Ｋ ＝８．４８６５３０＜２４．
３６６６０仍大于 ３，Ｊ－Ｂ量明显下降却仍很大，不能断
定 ＧＡＲＣＨ（１，１）模型捕捉到了序列的尖峰厚尾性．
２．２ ＥＧＡＲＣＨ（１，１）模型
考虑 ＥＧＡＲＣＨ（１，１）模型［５］，均值方程仍为 ｒｔ
＝ｃ１ｒｔ－２ ＋ｂ１εｔ－２，方 差 方 程 采 用 ｌｎ（ｈｔ） ＝ α＋θ
εｔ－１
１ ＡＲＣＨ效应分析
记第 ｔ天的日平均气温为 ｙｔ．用 ｒｔ表示第 ｔ天的日
平均气温变化率，有变化率 ｒｔ的表达式为：
ｒｔ ＝
ｙｔ －ｙｔ－１ ｙｔ－１
（３）
日变化率 ｒｔ生成样本时间序列．对差分序列 ｒｔ 利用 Ｅｖｉｅｗｓ进行统计分析，样本均值为 ０．０００２２９， 中位数 －５．１４×１０－６小于样本均值，左偏．偏度 Ｓ＝ ０．５２４６７６，峰度 Ｋ ＝２４．３６６６０，说明气温变化率远 比正态分布 “偏 峰 ”．Ｊ－Ｂ统 计 量 说 明 变 化 率 服 从 正态分布的概率几乎为 ０，具有聚类特征．变化率波 动在尾部发生的 概 率 远 大 于 正 态 分 布，具 有 厚 尾 性；ＡＤＦ值为 －１３．２７３２９，偏小．ｐ值几乎为 ０，可认 为 ｒｔ序 列 进 行 ＡＲＣＨ 效 应 分 析，认为使用 ＧＡＲＣＨ模型族来描述气温变化率的 波动性是合理的［４］．
２ 实例分析
２．１ ＧＡＲＣＨ（１，１）模型
首先考虑使用 ＧＡＲＣＨ（１，１）来描述数据尖峰
厚尾现象．基于 ＡＲＭＡ（２，２）模型，均值方程为：ｒｔ ＝ｃ１ｒｔ－２ ＋ｂ１εｔ－２，ｃ１为参数，εｔ服从正态分布．方差 方程为：σ２ｔ ＝α０ ＋α１ε２ｔ－１ ＋β１σ２ｔ－１．利用 Ｅｖｉｅｗｓ模 型 ＧＡＲＣＨ参数估计有
数据波动性研究方法众多，１９８２年，Ｅｎｇｌｅ［１］提 出 ＡＲＣＨ模型，为波动性研究开启了新篇章．１９８６ 年，Ｂｏｌｌｅｒｓｌｅｖ［２］提 出 ＧＡＲＣＨ 模 型．随 时 间 推 移， ＧＡＲＣＨ又被推广为 ＥＧＡＲＣＨ等模型．
目前，有关气象数据波动性的探索大多停留在 理论层次．气 温 的 波 动 率 具 有 时 变 性，在 某 一 时 段 会持续出现 偏 高 或 偏 低 情 况，并 具 有 长 记 忆 性．基 于气温变化波动性的特性，以深圳市 ２０１７年全年 平均气 温 ３６５个 数 据 为 例，采 用 ＧＡＲＣＨ 模 型 及 ＥＧＡＲＣＨ模型，利用 Ｅｖｉｅｗｓ［３］进行实证分析．
依据相关性检验 ＡＩＣ、ＳＣ最小准则，可知时间 序列满足 ＡＲＭＡ（２，２）模型．利用 ＬＭ 检验法和 Ｑ 检验法检验可知所选数据样本存在明显异方差性．
对 ｒｔ进行自相关检验，ＡＣ及 ＰＡＣ值均不等于 ０，ｐ趋 于 ０，可 知 变 化 率 具 有 自 相 关 性．Ｄ ＝ １． ７０１８２４，依据 Ｄ－Ｗ 检验法，可知 Ｄ＜ＤＬ，变化率具
均 值 方 程 为： ｒｔ ＝－ ０．９４２６３６ｒｔ－２ ＋ ０． ９４０８４３εｔ－２ ，
方差方程为：σ２ｔ ＝４．２６×１０－５ ＋０．１７１２３４ε２ｔ－１ ＋０．８２２８２１σ２ｔ－１ ．
α１ ＋β１ ＝０．１７１２３４＋０．８２２８２１＝０．９９４０５５， 几乎为 １，表示在某时刻气温变化的冲击有持续效
摘要：研究气象数 据 的 波 动 性 问 题．根 据 日 平 均 气 温 差 分 序 列 统 计 学 特 性，选 择 ＧＡＲＣＨ 模 型 族．针 对 ＧＡＲＣＨ模型无法理想描述日平均气温变化率尖峰厚尾性的问题，建立 ＥＧＡＲＣＨ模型，发现其对波动性序 列具有更好的适应性，同时能够更准确地刻画序列的杠杆效应．得出 ＥＧＡＲＣＨ（５，３）模型可以更理想地描 述序列的结论． 关键词：ＧＡＲＣＨ模型；日平均气温；波动性；时间序列 中图分类号：Ｏ２１３．９ 文献标识码：Ａ 文章编号：１６７２－９１２９（２０１９）０６－００２９－０２
ＲｅｓｅａｒｃｈｏｎＶｏｌａｔｉｌｉｔｙｏｆＭｅｔｅｏｒｏｌｏｇｉｃａｌＤａｔａＢａｓｅｄｏｎＧＡＲＣＨ Ｍｏｄｅｌ ＭｅｎｇＤｅｊｉａ
Ａｂｓｔｒａｃｔ：Ｓｔｕｄｙｔｈｅｖｏｌａｔｉｌｉｔｙｏｆｍｅｔｅｏｒｏｌｏｇｉｃａｌｄａｔａ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｓｔａｔｉｓｔｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｄａｉｌｙａｖｅｒａｇｅ ｔｅｍｐｅｒａｔｕｒｅｄｉｆｆｅｒｅｎｃｅｓｅｑｕｅｎｃｅ，ｔｈｅＧＡＲＣＨ ｍｏｄｅｌｆａｍｉｌｙｉｓｓｅｌｅｃｔｅｄ．Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍ ｔｈａｔｔｈｅＧＡＲＣＨ ｍｏｄｅｌｃａｎｎｏｔｉｄｅａｌｌｙｄｅｓｃｒｉｂｅｔｈｅｐｅａｋ－ｔｈｉｃｋｎｅｓｓａｎｄｔａｉｌ－ｔａｉｌｉｎｇｏｆｔｈｅｄａｉｌｙａｖｅｒａｇｅｔｅｍｐｅｒａｔｕｒｅｃｈａｎｇｅｒａｔｅ， ｔｈｅＥＧＡＲＣＨｍｏｄｅｌｉｓｅｓｔａｂｌｉｓｈｅｄ，ａｎｄｉｔｉｓｆｏｕｎｄｔｈａｔｉｔｈａｓｂｅｔｔｅｒａｄａｐｔａｂｉｌｉｔｙｔｏｔｈｅｖｏｌａｔｉｌｉｔｙｓｅｑｕｅｎｃｅａｎｄｃａｎ ｍｏｒｅａｃｃｕｒａｔｅｌｙｄｅｓｃｒｉｂｅｔｈｅｌｅｖｅｒａｇｅｅｆｆｅｃｔｏｆｔｈｅｓｅｑｕｅｎｃｅ．ＩｔｉｓｃｏｎｃｌｕｄｅｄｔｈａｔｔｈｅＥＧＡＲＣＨ（５，３）ｍｏｄｅｌｃａｎ ｍｏｒｅｉｄｅａｌｌｙｄｅｓｃｒｉｂｅｔｈｅｃｏｎｃｌｕｓｉｏｎｏｆｔｈｅｓｅｑｕｅｎｃｅ． Ｋｅｙｗｏｒｄｓ：ＧＡＲＣＨ ｍｏｄｅｌ；ｄａｉｌｙａｖｅｒａｇｅｔｅｍｐｅｒａｔｕｒｅ；ｖｏｌａｔｉｌｉｔｙ；ｔｉｍｅｓｅｒｉｅｓ