EVIEWS中的模型操作

T-GARCH的操作为： 点击主菜单Quic Method选择GARCH/TGARCH，再将 Threshold数值输入1，点击确定。如下图：
Page 43
T-GARCH(1,1)
Page 44
E-GARCH的操作为： 点击主菜单Quick/Estimate Equation,得到如 下对话框，在 Method选择EGARCH，再将 Threshold数值输入0，点击确定。如下图：
建立新的工作文件 选择菜单File/New/workfile，则出现数据的频率 对话框。如图
Page 13
可在 "Workfilefrequency"中选择数据的频率，可 选的频率包括年度、半年、季度、月度、星期、天 （每周5天、每周7天）以及非时间序列或不规则数 据。 可在"Start date"文本框中输入起始日期，"End date"文本框中输入终止日期，年度与后面的数字 用"："分隔。
导入法：把存于EXCEL等文档的数据导入序列中。 • 选择主菜单中File/Import/Read Text-LotusExcel，找到已经存好的数据Excel文件，点击“ 打开”后，出现如图所示对话框。 在Names for
series or Number if named in file
选框中序列名称 p，即将数据导 入了该序列p。
Page 14
具体的日期的表示法为： 年度：二十世纪可用两位数，其余全用四位数字；如 ：从1999到2009，只需在Start date中输入1999。 End date中输入2009即可。 半年：年后加1或2；如：从1999年上半年到2009年下 半年，在Start date中输入1999：1 。End date中输 入2009：2。 季度：年后加1-4；从1999年第一季度到2009年第三 季度，在Start date中输入1999：1 。End date中输 入2009：3
Page 21
得到工作表，如图所示：
至此完成数据导入工作。
序列描述性分析
1.画时间序列图 双击序列r，在视图中点击View-graph-line，得 到对数收益率rt的时间序列图如下：

从上证180指数对数收益率序列r的线 性图中，可观察到对数收益率波动的“集 群”现象：波动在一些时间段内较小（例 如从第150个观测值到第200个观测值）， 在有的时间段内非常大（例如从第40个数 据到第100个数据）。
rt=πt+εt
Page 32
将r去均值化，得到w： 操作为： Objects/Generate Series输入 w=r-0.000256 再看w序列的描述性统计：
Page 33
检验ARCH效应
检验ARCH效应有两种方法：LM法（拉格朗日 乘数检验法）和对残差的平方相关图检验。 本案例中由于没有对ARMA建模，E-views中 没有直接的LM法，所以采用第二种方法。首先 建立w的平分方程z，在Objects/Generate Series输入z= w2，
Page 49
各种lag值情形下，F统计量均不显著，说 明模型已经不存在ARCH效应。 建立的EGARCH(1，1)模型如下：
Page 50
由于之前对r的描述统计中发现统计的正 态分布检验没有通过，可以试图做残差服 从t分布和GED分布的E-views建模。
Page 51
假设残差服从t分布操作过程：Quick/Estimate Equation,得到如下对话框，在 Method选择 Student’s t（ GED分布则选择GED ），如下：
Page 38
（1）GARCH(1,1)
Page 39
（1）GARCH(2,1)
Page 40
（1）GARCH(1,2)
Page 41
基于以上三个模型的比较，GARCH（1，1）所有 的系数都通过t检验，效果最好！再考虑T-GARCH 和E-GARCH再分别进行建模。
Page 42
Page 46
EGARCH(1,1)模型的参数均显著，说明序列 具有杠杆性，可以进一步加入“ARCH-M” 检验：
Page 47
系数不显著，（用Variance时系数一样不显著 ），说明不存在ARCH-M过程。
Page 48
模型验证
对建立的EARCH(1，1)模型进行残差ARCH效 应检验，点击EARCH(1，1)结果输出窗口 View /Residual Test /ARCH LM TestLag=滞后阶数，可以分别取1，4，8 ，12；以lag=4为例，输出结果如下所示：
Page 15
月度：年后加1-12；如：从1999年1月到2009年12 月，在Start date中输入1999：1 。End date中 输入2009：12。 周：月/周/年；如：从2007年1月第一周到2009年 1月第四周，在Start date中输入1/1/2007。End date中输入1/4/2009 天：月/日/年；如：从2008年3月5日到2009年8月 20日，在Start date中输入3/5/2008。End date 中输入8/20/2009. 非时间序列或不规则数据：输入样本个数。如： 样本数为200，在Start date中输入1 。End date 中输入200。
Page 34
然后在视图中点击view-correlogram，然后点击 ok，就得到了对数收益率的自相关函数分析图。
如图所 示：序 列存在 自相关， 所以有 ARCH效 应。
Page 35
建立GARCH类模型
(1)GARCH模型 (2)T-GARCH模型 (3)E-GARCH模型
Page 36
Page 26
考察序列的平稳性
• 点击View-Unit Root Test，Test Type选 择Augmented Dickey-Fuller，
Page 27
得到ADF检验的结果如下：
t统计量的 值-22.88， 对应P值接 近0，表明 序列{r} 平 稳。
Page 28
序列自相关和偏自相关检验 在视图中点击View-correlogram，在Lags to include中键入12，然后点击ok，就得到了对数 收益率的自相关函数分析图。
GARCH类模型 建模的Eviews操 作
1 2 3
Eviews软件简介
时间序列建模 实例操作
Eviews简介
Eviews是Econometrics Views的缩写，直译为 计量经济学观察，本意是对社会经济关系与经 济活动的数量规律，采用计量经济学方法与技 术进行“观察”，称为计量经济学软件包。 使用Eviews可以迅速地从数据中寻找出统计关 系，并用得到的关系去预测数据的未来值。
Page 16
本案例中选择最后一个integer-data， Start date中输入1 ；End date中输入548。
Page 17
建立序列
可以采用直接输入法、复制法、导入法。 直接输入法/复制法：点击EViews主菜单中的 Objects/New Object，出现如图所示的对话框， 点击OK后就可以直接输入收集到的数据或是复制 得到序列：
上证180指数：是上海证券交易所对原上证 30指数进行了调整并更名而成的，其样本 股是在所有A股股票中抽取最具市场代表性 的180种样本股票。它反映上海证券市场的 概貌和运行状况，能作为投资评价尺度及 金融衍生产品基础的基准指数。 数据来源：上海证券报
/sseportal/index/cn/common/zshq.jsp#7
Page 52
Page 53
上证180指数的对数收益率时间序列的均值方程 是一个白噪声 ，而其残差能用EGARCH(1，1)模 型进行较好的拟合。 结论： （一）异方差的存在性。该上证指数收益率有“ 尖峰厚尾”和聚集现象,不服从正态分布。风险 对收益率的影响不显著。 （二）指数收益率存在杠杆性。投资者对该指数 收益率下跌的反映往往高于相同程度收益率上涨 的反映，即收益率的下跌对市场的影响更大。
时间序列建模步骤
1
• 序列描述性分析 • 序列相关性分析 • 回归模型的建立
• 残差的ARCH效应检验 • ARCH模型的建立 • 模型验证
2 3
4 5 6
3
实例操作
实例操作
上证180指数收益率波动率分析
本次选取了上证180指数于2008年8月1日到 2010年11月3日的收盘价，共548个观测值。并 以此建立序列{p}，进而构建其对数收益率序列 {r}，对序列{r}建立条件异方差模型，并研究 其收益波动率。
Page 29
Page 30
从图中可以看出，序列的自相关和偏自 相关系数均落入两倍的估计标准差内， 且Q－统计量的对应的p值均大于置信度 0.05，故序列在5％的显著性水平上不存 在显著的相关性。
Page 31
回归模型的建立
由于序列不存在显著的相关性，因此将均 值方程设定为白噪声。 设立模型：
Eviews简介
Eviews的应用范围包括： ■ 应用经济计量学 ■ 总体经济的研究和预测 ■金融数据分析 ■销售预测及财务分析 ■ 成本分析和预测 ■ 蒙地卡罗模拟 ■ 经济模型的估计和仿真 ■ 利率与外汇预测等等
Eviews主要功能： 操作灵活简便，可采用多种操作方式进行各种 计量分析和统计分析，使数据管理、处理和分 析简单方便。其主要功能有： （1）采用统一的方式管理数据，通过对象 、视图和过程实现对数据的各种操作； （2）输入、扩展和修改时间序列数据或截 面数据，依据已有序列按任意复杂的公式生成 新的序列；
Eviews主要功能：
（3）计算描述统计量：相关系数、协方差 、自相关系数、互相关系数和直方图； （4）进行T 检验、方差分析、协整检验、 Granger 因果检验； （5）执行普通最小二乘法、带有自回归校 正的最小二乘法、两阶段最小二乘法和三阶 段最小二乘法、非线性最小二乘法、广义矩 估计法、ARCH 模型估计法等； （6）对二择一决策模型进行Probit、logit 和Gompit 估计；