《金融计量学》part 5
2024版计量经济学全册课件(完整)pptx
REPORTING
2024/1/28
23
EViews软件介绍及操作指南
EViews软件概述
EViews是一款功能强大的计量经济学 软件，提供数据处理、统计分析、模型
估计和预测等功能。
统计分析与检验
2024/1/28
详细讲解EViews中的统计分析工具， 包括描述性统计、假设检验、方差分
析等。
数据导入与预处理 介绍如何在EViews中导入数据，进行 数据清洗、转换和预处理等操作。
随着大数据时代的到来，机器学 习算法在数据挖掘、预测和分类 等方面展现出强大的能力，为计 量经济学提供了新的研究工具和 方法。
机器学习在计量经济 学中的应用领域
机器学习在计量经济学中的应用 领域广泛，如变量选择、模型选 择、非线性模型估计、高维数据 处理等。
机器学习在计量经济 学中的常用算法
机器学习在计量经济学中常用的 算法包括决策树、随机森林、支 持向量机（SVM）、神经网络等。 这些算法可以用于分类、回归、 聚类等任务，提高模型的预测精 度和解释力。
面板数据特点
同时具有时间序列和截面数据的特征，能够提供更多的信息、更多的变化、更少共 线性、更多的自由度和更高的估计效率。
2024/1/28
20
固定效应模型与随机效应模型
固定效应模型（Fixed Effects Model）
对于特定的个体而言，其截距项是固定的，不随时间变化而变化。
随机效应模型（Random Effects Mode…
经典线性回归模型
REPORTING
2024/1/28
7
一元线性回归模型
模型设定与参数估计
介绍一元线性回归模型的基本形式， 解释因变量、自变量和误差项的含义， 阐述最小二乘法（OLS）进行参数估 计的原理。
金融计量学实验案例集(上篇)
国家级双语示范课程申报材料《金融计量学》实验案例集金融学院上海财经大学2009年5月目录上篇金融计量实验一异方差的检验与修正 2 金融计量实验二虚拟变量在金融数据处理中的作用11 金融计量实验三金融数据的平稳性检验实验指导16 金融计量实验四ARDL模型的运用实验指导27 金融计量实验五ARIMA模型的概念和构造34 金融计量实验六VAR模型的概念和构造40 金融计量实验七(G)ARCH模型在金融数据中的应用45 金融计量实验八联立方程模型在金融数据中的应用60实验一异方差的检验与修正一、实验目的：了解异方差(heteroscedasticity)、Goldfeld-Quandt检验、Spearman rank correlation 检验、Park检验、Glejser检验、Breusch-Pagan检验、White检验、加权最小二乘法（weighted least squares,简记WLS）、模型对数变换法等基本概念及异方差产生的原因和后果。
掌握异方差的检验与修正方法以及如何运用Eviews软件在实证研究中实现相关检验与修正。
二、基本概念：异方差(heteroscedasticy)就是对同方差假设(assumption of homoscedasticity)的违反。
经典回归中同方差是指随着样本观察点X的变化，线性模型中随机误差项的方差并不改变，保持为常数。
异方差的检验有图示法及解析法，检验异方差的解析方法的共同思想是，由于不同的观察值随机误差项具有不同的方差，因此检验异方差的主要问题是判断随机误差项的方差与解释变量之间的相关性。
异方差的修正方法有加权最小二乘法和模型对数变换法等，其基本思路是变异方差为同方差，或者尽量缓解方差变异的程度。
三、实验内容及要求：内容：根据北京市1978-1998年人均储蓄与人均收入的数据资料，若假定X为人均收入（元），Y为人均储蓄（元），通过建立一元线性回归模型分析人均储蓄受人均收入的线性影响，并讨论异方差的检验与修正过程。
金融计量经济学
variables and for financial decision-making.
Econometrics For Finance-Chapter 1
10
2009.11 Huazhong University
Econometrics For Finance-Chapter 1
3
of Science and Technology
作者简介
Chris Brooks was formerly Professor of Finance at the ISMA Centre, University of Reading, where he also obtained his PhD and BA in Economics and Econometrics.
money 8 Testing the hypothesis that earnings or dividend announcements
have no effect on stock prices. 9 Testing whether spot or futures markets react more rapidly to
简言之凯恩斯设想边际消费倾向mpc即收入每变化一个单位的消费变化率大于零而小于消费数学模型的设定虽然凯恩斯假设了消费与收入之间有一正向的相关关系但他并没有明确指出这两者之间的准确的函数关系
Econometrics for Finance
金融计量经济学
讲授：薛明皋
电话：13554398877 E-mail: xmgwt@
金融计量学论文（共5则）
金融计量学论文（共5则）第一篇：金融计量学论文基于GARCH模型的中国创业板市场股票价格波动研究摘要：创业板市场，又称为二板市场，是专为暂时无法在主板上市的新兴公司提供融资途径的证券交易市场。
在创业板上市的企业大多从事高新科技业务，成立时间较短，规模偏小，但具有高成长性。
中国创业板市场是一个新兴的市场，不仅资本的存量比发达国家成熟的金融市场小得多，而且股票的波动性也大许多，市场波动方面具有很多独特的特征。
研究我国创业板市场波动的特征，对于正确认识我国创业板市场价格行为，探讨股票市场波动理论，具有很重要的意义。
本文首先基于GARCH模型，对我国创业板市场的股价波动行为进行研究和探讨，得到GARCH模型拟合后的残差序列不存在自回归条件异方差，其次进行实证分析，并对实证结果给出解释，最后根据分析得出相关的结论并提出相应的建议。
关键词：创业板股票价格GARCH模型波动分析一、引言创业板创立以来，理论界对其进行了大量研究，但主要侧重于定性分析，集中在市场制度建设、IPO条件、信息披露、市场监督及股权分置改革等方面，较少涉及定量分析。
作为中小企业的一种有效的融资渠道，创业板在创立之初就与主板市场之间有着明显的不同。
而通过对我国的金融市场的运行模式及经济发展的地域性差异等多种因素综合分析，相对于美国的早已成熟的纳斯达克市场而言，我国的创业板更接近于韩国柯斯达克市场及香港的创业板市场，因而可以借鉴韩国柯斯达克市场的分析来分析研究我国的创业板市场。
二、文献综述股票市场收益波动是近年来金融理论研究较为活跃的一个课题。
波动性也称易变性，是对股票市场风险程度的估计。
股票价格的波动是对股票价格走势不确定性的一种度量，股票收益波动性是表示股票价格变化在某一时期的变异程度。
在股票市场波动性分析方面，目前最常用的模型是GARCH类模型。
随着股票市场的发展，近年来对GARCH类模型的研究逐渐增多。
例如刘国旗重点研究了两种非线性GARCH模型和标准GARCH模型对中国股市波动的预测能力以及它们与随机游动模型在预测波动之间的比较。
金融计量学,唐勇,课件
m和 n 的
F 分布，记为 F ~ F (m, n)
则 n ，其中 m 称为分子自由度也是第一自由度，
称为分母自由度也
称为第二自由度。 相关结论： （1）若随机变量 F ~ F (m, n) ，则 （2）若 t ~ t (n) ，则 t 2 ~ F (1, n)
1 ~ F (n, F
不同自由度的 F
•
抽样调查
几个常用的金融机构和数据库及其网址
机构或数据库名称
纽约证券交易所(NYSE)
网址
伦敦证券交易所（LSE） 东京证券交易所（TSE） 芝加哥交易所（CBOT） 上海证券交易所（SSE） 深证证券交易所（SZSE）
http://www.tse.or.jp
福州大学经济与管理学院 唐勇教授
本章主要内容
1.1金融计量学的含义以及建模步骤 1.2金融数据的主要类型、特点和来源 1.3收益率的计算 1.4常见的统计学与概率知识 1.5常用金融计量软件介绍
1
金融计量学的含 义以及建模步骤
1.1.1 金融计量学含义 什么是计量经济学？ 起源于经济学，是经济学的一个分支学科，是以 揭示经济活动中客观存在的数量关系为内容的分支 学科 什么是金融计量学？ 在西方经济中，一般认为金融计量学是指金融市场 的计量分析，特别是统计技术在处理金融问题中的 应用。
定义：随机变量X和Y独立，且 X ~ N 0,1 , Y ~ 2 (n) 的分布为自由度为n的t分布，记为 的
tX Y /n ~ t (n)
，则称
X
Y /n
，又称“学生
t 分布”
不同自由度的t分布密度函数图
相关结论：（1） 分布是一簇曲线，以0为中心，左右对称的单峰分布 （2）自由度n越小，分布曲线越低平;自由度n越大，分布 曲线越接近标准正态分布曲线。 x1 , x2 , , xN （3）设 是来自正态分布 的一 N (, ) 个样本，N个观测值的样本方差为 ，样本均值为 ，则有 s2 x
金融计量学实验案例集(上篇)
国家级双语示范课程申报材料《金融计量学》实验案例集金融学院上海财经大学2009年5月目录上篇金融计量实验一异方差的检验与修正 2 金融计量实验二虚拟变量在金融数据处理中的作用11 金融计量实验三金融数据的平稳性检验实验指导16 金融计量实验四ARDL模型的运用实验指导27 金融计量实验五ARIMA模型的概念和构造34 金融计量实验六VAR模型的概念和构造40 金融计量实验七(G)ARCH模型在金融数据中的应用45 金融计量实验八联立方程模型在金融数据中的应用60实验一异方差的检验与修正一、实验目的：了解异方差(heteroscedasticity)、Goldfeld-Quandt检验、Spearman rank correlation 检验、Park检验、Glejser检验、Breusch-Pagan检验、White检验、加权最小二乘法（weighted least squares,简记WLS）、模型对数变换法等基本概念及异方差产生的原因和后果。
掌握异方差的检验与修正方法以及如何运用Eviews软件在实证研究中实现相关检验与修正。
二、基本概念：异方差(heteroscedasticy)就是对同方差假设(assumption of homoscedasticity)的违反。
经典回归中同方差是指随着样本观察点X的变化，线性模型中随机误差项的方差并不改变，保持为常数。
异方差的检验有图示法及解析法，检验异方差的解析方法的共同思想是，由于不同的观察值随机误差项具有不同的方差，因此检验异方差的主要问题是判断随机误差项的方差与解释变量之间的相关性。
异方差的修正方法有加权最小二乘法和模型对数变换法等，其基本思路是变异方差为同方差，或者尽量缓解方差变异的程度。
三、实验内容及要求：内容：根据北京市1978-1998年人均储蓄与人均收入的数据资料，若假定X为人均收入（元），Y为人均储蓄（元），通过建立一元线性回归模型分析人均储蓄受人均收入的线性影响，并讨论异方差的检验与修正过程。
斯托克、沃森着《计量经济学》第五章
Chapter 5. Regression with a Single Regressor: Hypothesis Tests and Confidence Intervals5.1 Testing Hypotheses about One of the Regression Coefficients（对单一系数的假设检验）Suppose a skeptic suggests that reducing the number of students in a class has no effect on learning or, specifically, test scores. The skeptic thus asserts the hypothesis,1H0: β1 = 0We wish to test this hypothesis using data – reach a tentative conclusion whether it is correct or incorrect.Null hypothesis and two-sided alternative:H0: β1 = 0 vs. H1: β1≠ 0or, more generally,2H0: β1 = β1,0 vs. H1: β1≠β1,0where β1,0 is the hypothesized value under the null（β1,0是一个具体的数）.Null hypothesis and one-sided alternative:H0: β1 = β1,0 vs. H1: β1 < β1,0In economics, it is almost always possible to come up with stories in which an effect could “go either way,” so it is34standard to focus on two-sided alternatives.Recall hypothesis testing for population mean using Y :t=Y μ−then reject the null hypothesis if |t | >1.96.where the SE of the estimator is the square root of an estimator of the variance of the estimator.Applied to a hypothesis about β1:t = estimator - hypothesized value standard error of the estimator56sot = 11,01ˆˆ()SE βββ−where β1 is the value of β1,0 hypothesized under the null (for example, if the null value is zero, then β1,0 = 0.What is SE (1ˆβ)? SE (1ˆβ) = the square root of an estimator of the variance7of the sampling distribution of 1ˆβRecall the expression for the variance of 1ˆβ (large n ):var(1ˆβ) = 22var[()]()i X i X X u n μσ− = 24v Xn σσwhere v i = (X i –X )u i . Estimator of the variance of 1ˆβ:812ˆˆβσ = 2221estimator of (estimator of )v Xn σσ× = 2212211ˆ()121()ni i i n i i X X u n n X X n ==−−×⎡⎤−⎢⎥⎣⎦∑∑.OK, this is a bit nasty, but:• There is no reason to memorize this• It is computed automatically by regression software• SE (1ˆβis reported by regression software9• It is less complicated than it seems. The numerator estimates the var(v ), the denominator estimates var(X )2.Return to calculation of the t -statsitic:t = 11,01ˆˆ()SE βββ− =11,0ˆββ−• Reject at 5% significance level if |t| > 1.96•p-value is p = P(|t| > |t act|) = probability in tails of normal outside |t act|•Both the previous statements are based on large-n approximation; typically n = 50 is large enough for the approximation to be excellent.1011 Example: Test Scores and STR , California dataEstimated regression line: n TestScore = 698.9 – 2.28×STRRegression software reports the standard errors:SE (0ˆβ) = 10.4 SE (1ˆβ) = 0.52t -statistic testing “β1,0 = 0” = 11,01ˆˆ()SE βββ− = 2.2800.52−− = –4.38•The 1% 2-sided significance level is 2.58, so we reject the null at the 1% significance level.•Alternatively, we can compute the p-value. You can do this easily in Stata:. di normal(-4.38)*2. 00001187注：在Stata中，normal表示标准正态分布的cdf。
计量经济学(英文PPT)Chapter 5 Interval Estimation and Hypothesis Testing
relying on the point estimate alone, we may construct a interval around the point estimate, such that this interval has a certain probability of the true parameter value. This is the idea behind the interval estimation.
ˆ2 t / 2se(ˆ2 )
Example: P123
Second , confidence interval for 1
By the virtue of E(ˆ1 ) 1 and
2 ˆ1 n
Xi2 xi 2
2
,we
can
get
the
equations
as
Equation（5.2.1）shows that the interval has a probability 1 of including the
true 2. The interval estimator thus give a ranger of values within which the true
§5.3confidence intervals for regression
Coefficients 1 and 2
First, confidence interval for 2
It is shown before that the OLS estimator ˆ1 and ˆ2 are themselves normally
金融计量学张成思Lectu
图1-1 中国国际股票价格指数
Price Index (USD, Log Scaling) Jan 31 2002 to Jan 26 2007 60 50 40 30 20 10
Jan 1 2003 Jan 1 2004 Jan 3 2005 Jan 2 2006 Jan 1 2007
(b)2002年1月31日—2007年1月26日
1980年1月－2006年6月
zhangcs@
图1-5 中国M1增长率
20 16 12 8 4 0 -4 1981 1984 1987 1990 1993 1996 1999 2002 2005
1981年第1季度－2005年第1季度
zhangcs@
从这几幅图可以看到，不同的金融 时间序列变量展示出各种各样的变动轨 迹，经济学者经常把金融时间序列变量 的这种随时间变化的轨迹称为“动态路 径”，其中“动态”一词的含义实质上就是 指“随时间变化”。
组具有相同特性的随机变量。
zhangcs@
FX ,Y (x, y;) Pr( X x,Y y)
1.2.3 随机分布: X和Y的联合分布可定义为： FX ,Y (x, y;) Pr( X x,Y y)
对于季度频率数据，年度化的增 长率计算公式为:
100% ln( Pt )4 400% ln( Pt )
Pt 1
Pt 1
zhangcs@
对于月度频率数据，年度化的增 长率计算公式是:
100% ln( Pt )12 1200% ln( Pt )
Pt 1
rt
100% ln( Pt ) Pt 1
zhangcs@
对于多期（multi-period）来说,
《金融计量学》习题答案 )
《金融计量学》习题二一、填空题：1、在多元线性回归模型中，解释变量间呈现线性关系的现象称为__多重共线性__问题，给计量经济建模带来不利影响，因此需检验和处理它。
2.以截面数据为样本建立起来的计量经济模型中的随机误差项往往存在__异方差________。
3.以时间序列数据为样本建立起来的计量经济模型中的随机误差项往往存在____序列自相关性______。
4.在联立方程模型中，__内生变量____既可作为被解释变量，又可以在不同的方程中作为解释变量。
5.在完备的结构式模型中，独立的结构方程的数目等于_内生变量个数__，每个____内生___变量都分别由一个方程来描述。
6.如果某一个随机方程具有__一_____组参数估计量，称其为恰好识别；如果某一个随机方程具有____多___组参数估计量，称其为过渡识别。
7.联立方程计量经济学模型的估计方法有__单方程____估计方法与_系统__估计方法两大类。
8.单方程估计方法按其原理又分为两类__以最小二乘法为原理的经典方法_和___不以最小二乘法为原理，或不直接从最小二乘法原理出发_______。
二、选择题1.在线性回归模型中，若解释变量1X 和2X 的观测值成比例，既有i i kX X 21 ，其中k为非零常数，则表明模型中存在（B ）。
A.方差非齐性B.多重共线性C.序列相关D.设定误差2.在多元线性回归模型中，若某个解释变量对其余解释变量的判定系数接近于1，则表明模型中存在（A ）。
A.多重共线性B.异方差性C.序列相关D.高拟合优度3.戈德菲尔德—匡特检验法可用于检验（A ）。
A.异方差性B.多重共线性C.序列相关D.设定误差4.若回归模型中的随机误差项存在异方差性，则估计模型参数应采用（B ）。
A.普通最小二乘法B.加权最小二乘法C.广义差分法D.工具变量法5.如果回归模型中的随机误差项存在异方差，则模型参数的普通最小二乘估计量（B ）。
A.无偏且有效B.无偏但非有效C.有偏但有效D.有偏且非有效6．对于模型i i i X Y μββ++=10，如果在异方差检验中发现2)(σμi i X Var =，则用权最小二乘法估计模型参数时，权数应为（D ）。
- 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)。
n Dh DW 2 1 n
例6.1续
检验第二个确定性趋势模型
xt 1.0365xt 1 t , t 1,2,3,
残差序列的自相关性。
Dh检验结果
Dh统计量的值 2.8038 P值 0.0025
结论: 检验结果显示残差序列高度正自相关.
残差序列拟合
确定自回归模型的阶数 参数估计 模型检验
AIC
249.3305
260.8454
SBC
252.4976
267.2891
t xt 69.1491 4.5158 t t 1.4859 t 1 0.5848 t 2 at
Auto－Regressive模型二：
xt 1.033 xt 1 t t 0.4615 t 1 a t
GARCH-M模型
x f ( t , x , x , ) h t 1 t 2 t t t t ht et p q h h 2 t i t i j t j i 1 j 1
AR-GARCH模型
方差齐性变换
处理思路 尝试寻找一个转换函数g(.), 使得经转换后 的变量满足方差齐性
Var[ g ( xt )] 2
常用转换函数 g ( x ) log( x )
例6.2续
对美国1963年4月—1971年7月短期国库券的月 度收益率序列使用方差齐性变换方法进行分析 函数变换 yt=log(xt)
EGARCH模型 IGARCH模型 GARCH-M模型 AR-GARCH模型
ARCH模型
假定
ARCH(q)模型结构
x f (t , x , x ,) t 1 t 2 t t t ht et q h 2 j t j t j 1
ARIMA模型
求和自回归移动平均模型ARIMA(p,d,q).
( L) d xt ( L) t E ( t ) 0，Var ( t ) 2 , E ( t s ) 0, s t Ex 0, s t s t
其中
( L) 1 1 L p Lp , ( L) 1 1L q Lq
t
ht ~ N (0,1)
原理 通过构造残差平方 序列的自回归模型 来拟合异方差函数
GARCH 模型结构
使用场合
模型结构
ARCH模型实际上适 用于异方差函数短期 自相关过程 GARCH模型实际上 适用于异方差函数长 期自相关过程
xt f ( t , xt 1 , xt 2 ,) t t ht et p q h h 2 i t i j t j t i 1 j 1
ˆ xt 1.0365xt 1 , t 1,2,3,
趋势拟合效果图
残差自相关检验
检验原理
回归模型拟合充分，残差的性质
E( t , t j ) 0 , j 1
回归模型拟合得不充分，残差的性质
E( t , t j ) 0 , j 1
Durbin-Waston检验(DW检验)
Tt 0 1 xt m l xt lm
例6.1续
使用Auto-Regressive模型分析1952年－1988 年中国农业实际国民收入指数序列。 时序图显示该序列有显著的线性递增趋势， 但没有季节效应，所以考虑建立如下结构的 Auto-Regressive模型
IGARCH模型
xt f (t , xt 1 , xt 2 , ) t t ht et p q 2 ht i ht i j t j i 1 j 1 p q i j 1 i 1 j 1
对数序列时序图
一阶差分后序列图
白噪声检验
延迟阶数 6 12 18 LB统计量 3.58 10.82 21.71 P值 0.7337 0.5441 0.2452
拟合模型及拟合效果图
log( xt ) t
4 条件异方差模型
ARCH模型 GARCH模型 GARCH模型的变体
定阶 ARIMA(0,1,1) 参数估计 (1-L)xt=4.99661+(1+0.79766L)t , Var(t)=56.48763 模型检验 模型显著 参数显著
ARIMA模型预测
例6.1续 对中国农业实际国民收入指数序列做为期10年 的预测
对收入指数序列的再分析
2 Auto-Regressive模型
回归拟合 残差自相关性检验 异方差自相关性检验 ARCH模型定阶 参数估计 正态性检验
例6.3 使用ARCH模型拟合某金融时间序列
回归拟合
拟合模型 xt 1 xt 1 t
ˆ 参数估计 1 1.0053
参数显著性检验
P值<0.0001,参数高度显著
一阶差分后残差图
一阶差分后残差平方图
异方差处理方法
假如已知异方差函数具体形式，进行方差齐 性变化 假如不知异方差函数的具体形式，拟合条件 异方差模型
方差齐性变换
使用场合: 序列显示出显著的异方差性, 且方差与均值 之间具有某种函数关系 2 t h(t ) 其中h(.)是某个已知函数.
构造思想 首先通过确定性因素分解方法提取序列中 主要的确定性信息
xt Tt S t t
然后对残差序列拟合自回归模型，以便充 分提取相关信息
t 1 t 1 p t p at
Auto-Regressive模型结构
xt Tt S t t t 1 t 1 p t p at 2 E (at ) 0,Var (at ) , Cov(at , at i ) 0, i 1
Portmantea Q检验
假设条件
H0 : 1 2 q 0 H1 : 1, 2 ,, q不全为零
检验统计量 检验结果
Q(q) n(n 2)
xt t t ht f (t , xt 1 , xt 2 , ) t k t k t
k 1 m
ht et i ht i j
i 1 j 1 p q 2 t j
GARCH模型拟合步骤
假设条件 原假设：残差序列不存在一阶自相关性 H 0 : E( t , t 1 ) 0 H 0 : 0 备择假设：残差序列存在一阶自相关性
H 0 : E( t , t 1 ) 0 H 0 : 0
DW统计量
构造统计量 DW
( t t 1 ) 2
xt Tt t , t 1,2,3, t 1 t 1 p t p at E (at ) 0,Var (at ) 2 , Cov(at , at i ) 0, i 1
趋势拟合
方法一：变量为时间t的幂函数 Tt=66.1491+4.5158t, t=1,2,3,… 方法二：变量为一阶延迟序列值xt-1:
对趋势效应的常用拟合方法
自变量为时间t的幂函数 Tt 0 1 t k t k t 自变量为历史观察值
Tt 0 1 xt 1 k xt k t
对季节效应的常用拟合方法
给定季节指数 St St 建立季节自回归模型
例6.1续
对第一个确定性趋势模型的残差序列
t xt Tt xt 66.1491 4.5158 , t 1,2, t
进行拟合
残差序列自相关图
残差序列偏自相关图
模型拟合
定阶 AR(2) 参数估计方法: 极大似然估计 最终拟合模型
t xt 69.1491 4.5158 t t 1.4859 t 1 0.5848 t 2 at
例6.1
第二个Auto－Regressive模型的拟合结果
xt 1.033 xt 1 t t 0.4615 t 1 a t
三个拟合模型的比较
模型
ARIMA(0,1,1)模型： (1 B) xt 4.99661 (1 0.70766 ) t B Auto－Regressive模型一：
GARCH模型的约束条件来自参数非负参数有界
0,i 0, j 0
i 1 i j 1
p
q
j
1
EGARCH模型
xt f (t , xt 1 , xt 2 , ) t t ht et p q ln(ht ) i ln(ht i ) j g (et ) i 1 j 1 g (et ) et [ et E et ]
异方差直观诊断
残差图 残差平方图
残差图
方差齐性残差图
递增型异方差残差图
残差平方图
原理
残差序列的方差实际上就是它平方的期望。
Var( t ) E( )
2 t
所以考察残差序列是否方差齐性，主要是考 察残差平方序列是否平稳
例6.2直观考察美国1963年4月-1971年7月短期 国库券的月度收益率序列的方差齐性。