SPSSPRO,让数据分析更简单,问卷调查类数据分析不再愁 产品介绍 帮助中心 客户端
微信登录
  • 产品简介

  • 我的数据

  • 数据处理

  • 数据分析

    • 描述性分析

    • 问卷分析

    • 综合评价

    • 差异性分析

    • 相关性分析

    • 预测模型

    • 统计建模

    • 计量经济模型

      • 时间序列分析

        • 单位根检验(ADF)
        • 差分分析
        • (偏)自相关分析(pacf/acf)
        • 时间序列分析(ARIMA)
        • GARCH模型
          • 1、作用
          • 2、输入输出描述
          • 3、案例示例
          • 4、案例数据
          • 5、案例操作
          • 6、输出结果分析
          • 7、注意事项
          • 8、模型理论
          • 9、参考文献
        • 格兰杰因果检验
        • VAR向量自回归
        • 季节性ARIMA模型
        • 协整检验
      • 进阶回归分析

    • 医学统计模型

    • 机器学习分类

    • 机器学习回归

    • 规划求解

    • 研究模型

    • 信号分析

    • 自定义算法

GARCH模型

操作视频
SPSSPRO教程-GARCH模型

# 1、作用

GARCH 模型能模拟时间序列变量的波动性的变化,解决了传统的计量经济学对时间序列变量的第二个假设(方差恒定)所引起的问题。

# 2、输入输出描述

输入:1个时间序列定量变量。
输出:GARCH 模型的拟合情况及计算的条件方差。

# 3、案例示例

案例:对某股票的收益率使用 GARCH 模型对其波动状况进行研究。

# 4、案例数据


GARCH模型案例数据

# 5、案例操作


Step1:新建分析;
Step2:上传数据;
Step3:选择对应数据打开后进行预览,确认无误后点击开始分析;

step4:选择【GARCH 模型】;
step5:查看对应的数据数据格式,【GARCH 模型】要求特征序列为1个时间序列定量变量。
step6:选择 GARCH 模型的参数和序列的假设分布。
step7:点击【开始分析】,完成全部操作。

# 6、输出结果分析

输出结果 1:平稳性检验

图表说明:该序列检验的结果显示,基于变量收益率,显著性 p 值为 0.000***,水平上呈现显著性,拒绝原假设,该序列为平稳的时间序列。

输出结果 2:ARCH 效应检验

图表说明:上表展示了 ARCH-LM 拉格朗日乘子检验结果( spsspro 只取滞后 1-12 阶的 ARCH 检验)。

  • 若是只有少量滞后阶数的 p 值小于显著性水平 0.05 时,说明存在短期自相关,则可以建立 ARCH 模型。
  • 若是较多滞后阶数的 p 值小于显著性水平 0.05 时,说明存在长期自相关,则可以建立 GARCH 模型。若是存在长期自相关,一般建立 GARCH(1,1) 足以,因为 GARCH 模型的实质是在 ARCH 上增加了异方差函数 q 阶自相关而形成,即相当于 ARCH(q) 的 q 是无限值。 由表格可知,较多滞后阶数的 p 值小于显著性水平 0.05 ,说明存在长期自相关,直接建立 GARCH(1,1)-norm 模型。

输出结果 3:模型参数估计结果表

图表说明:上表展示了 GARCH 模型的参数估计结果表,用于检验模型拟合情况。稳定的 GARCH 模型需要满足:RESID 项的参数值和 GARCH 项的参数值要求都大于零;RESID 项(也就是 ARCH 项)和 GARCH 项的所有参数加和要求小于 1。所以,建立的 GARCH(1,1)-norm 模型是稳定的。

输出结果 4:标准残差纯随机性检验

图表说明:上表展示了 GARCH 模型标准残差的纯随机性检验结果,用于检验 GARCH 模型的有效性。
若有较多滞后阶数的 p 值大于等于显著性水平 0.05 时,标准残差满足随机性,说明 GARCH 很好地提取了序列的波动情况,GARCH 模型是有效的。

输出结果 5:波动率图

图表说明:上图展示了原序列的条件方差图,直观展现了 GARCH 模型拟合原序列波动特征的情况。

# 7、注意事项

  • 若是存在长期自相关,一般建立 GARCH(1,1) 足以,因为 GARCH 模型的实质是在 ARCH 上增加了异方差函数 q 阶自相关而形成,即相当于 ARCH(q) 的 q 是无限值。

# 8、模型理论

ARCH 模型的基本思想是指在以前信息集下,某一时刻一个噪声的发生是服从正态分布。该正态分布的均值为零,方差是一个随时间变化的量(即为条件异方差)。并且这个随时间变化的方差是过去有限项噪声值平方的线性组合(即为自回归)。这样就构成了自回归条件异方差模型。

ARCH 模型的实质是使用残差平方序列的 q 阶移动平移拟合当期异方差函数值,由于移动平均模型具有自相关系数 q 阶截尾性,所以 ARCH 模型实际上只适用于异方差函数短期自相关系数。
但是在实践中,有些残差序列的异方差函数是具有长期自关性,这时使用 ARCH 模型拟合异方差函数,将会产生很高的移动平均阶数,增加参数估计的难度并最终影响 ARCH 模型的拟合精度。
为了修正个问题,提出了广义自回归条件异方差模型, 这个模型简记为 GARCH(p,q),公式为

# 9、参考文献

[1] Scientific Platform Serving for Statistics Professional 2021. SPSSPRO. (Version 1.0.11)[Online Application Software]. Retrieved from https://www.spsspro.com.
[2] Bollerslev T . Generalized autoregressive conditional heteroskedasticity[J]. Eeri Research Paper, 1986, 31(3):307-327.

建议反馈