什么是arch模型和garch模型？

1. 什么是arch模型和garch模型？

1、ARCH模型（Autoregressive conditional heteroskedasticity model）全称“自回归条件异方差模型”，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、GARCH模型称为广义ARCH模型，是ARCH模型的拓展，由Bollerslev(1986)发展起来的。
（1）GARCH模型（波勒斯勒夫（Bollerslev），1986年）。GARCH（p，q）模型为：



（2）GARCH-M模型把异方差项引入平均数方程式。一个简单的GARCH-M（1，1）模型可以表示为：







扩展资料：
GARCH的发展：
传统的计量经济学对时间序列变量的第二个假设：假定时间序列变量的波动幅度（方差）是固定的，不符合实际，比如，人们早就发现股票收益的波动幅度是随时间而变化的，并非常数。这使得传统的时间序列分析对实际问题并不有效。
罗伯特·恩格尔在1982年发表在《计量经济学》杂志（Econometrica）的一篇论文中提出了ARCH模型解决了时间序列的波动性（volatility）问题，当时他研究的是英国通货膨胀率的波动性。
参考资料来源：百度百科-GARCH模型
参考资料来源：百度百科-ARCH模型

2. ARCH模型的原理是什么？

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。

  由于需要使用到条件方差，我们这里不采用恩格尔的比较严谨的复杂的数学表达式，而是采取下面的表达方式，以便于我们把握模型的精髓。见如下数学表达：

  Yt = βXt＋εt (1)其中，

    * Yt为被解释变量，
    * Xt为解释变量，
    * εt为误差项。 

  如果误差项的平方服从AR(q)过程，即εt2 =a0＋a1εt－12 ＋a2εt－22 ＋ …… ＋ aqεt－q2 ＋ηt t =1,2,3…… (2)其中，

  ηt独立同分布，并满足E（ηt）= 0, D(ηt)= λ2 ,则称上述模型是自回归条件异方差模型。简记为ARCH模型。称序列εt 服从q阶的ARCH的过程，记作εt －ARCH(q)。为了保证εt2 为正值，要求a0 >0 ,ai ≥0 i=2,3,4… 。

  上面（1）和（2）式构成的模型被称为回归－ARCH模型。ARCH模型通常对主体模型的随机扰动项进行建模分析。以便充分的提取残差中的信息，使得最终的模型残差ηt成为白噪声序列。

  从上面的模型中可以看出，由于现在时刻噪声的方差是过去有限项噪声值平方的回归，也就是说噪声的波动具有一定的记忆性，因此，如果在以前时刻噪声的方差变大，那么在此刻噪声的方差往往也跟着变大；如果在以前时刻噪声的方差变小，那么在此刻噪声的方差往往也跟着变小。体现到期货市场，那就是如果前一阶段期货合约价格波动变大，那么在此刻市场价格波动也往往较大，反之亦然。这就是ARCH模型所具有描述波动的集群性的特性，由此也决定它的无条件分布是一个尖峰胖尾的分布。

3. ARCH模型的分析应用

ARCH模型的应用分析。从1982年开始就一直没有间断，经济学家和计量经济学家们，力图通过不断挖掘这个模型的潜力，来不断增强我们解释和预测市场的能力。从国外的研究情况来看，大致有两个研究方向：研究ARCH模型的拓展一是研究ARCH模型的拓展，完善ARCH模型。自ARCH模型始创以来，经历了两次突破。一次是Bollerslev T. 提出广义ARCH (Generalized ARCH) , 即GARCH 模型，从此以后，几乎所有的ARCH 模型新成果都是在GARCH 模型基础上得到的。第二次则是由于长记忆在经济学上的研究取得突破，分整研究被证明更有效地刻画了某些长记忆性经济现象，与ARCH模型相结合所诞生的一系列长记忆ARCH模型的研究从1996年至今方兴未艾。将ARCH作为一种度量数据波动性的有效工具第二个应用是将ARCH模型作为一种度量金融时间序列数据波动性的有效工具，并应用于与波动性有关广泛研究领域。包括政策研究、理论命题检验、季节性分析等方面。ARCH模型能准确地模拟时间序列变量的波动性的变化，它在金融工程学的实证研究中应用广泛，使人们能更加准确地把握风险（波动性），尤其是应用在风险价值（Value at Risk）理论中，在华尔街是尽人皆知的工具。可以预见，未来的研究将会在方法论和工具论两个方向进一步展开，特别是其应用研究还在不断拓展，特别是伴随着市场微观结构理论的成熟，采用ARCH模型来模拟波动性，将会对期货交易制度设计，风险控制制度设计和投资组合风险管理策略研究，提供一个更为广阔的研究空间。

4. ARCH模型原理是什么？

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。

  由于需要使用到条件方差，我们这里不采用恩格尔的比较严谨的复杂的数学表达式，而是采取下面的表达方式，以便于我们把握模型的精髓。见如下数学表达：

  Yt = βXt＋εt (1)其中，

    * Yt为被解释变量，
    * Xt为解释变量，
    * εt为误差项。 

  如果误差项的平方服从AR(q)过程，即εt2 =a0＋a1εt－12 ＋a2εt－22 ＋ …… ＋ aqεt－q2 ＋ηt t =1,2,3…… (2)其中，

  ηt独立同分布，并满足E（ηt）= 0, D(ηt)= λ2 ,则称上述模型是自回归条件异方差模型。简记为ARCH模型。称序列εt 服从q阶的ARCH的过程，记作εt －ARCH(q)。为了保证εt2 为正值，要求a0 >0 ,ai ≥0 i=2,3,4… 。

  上面（1）和（2）式构成的模型被称为回归－ARCH模型。ARCH模型通常对主体模型的随机扰动项进行建模分析。以便充分的提取残差中的信息，使得最终的模型残差ηt成为白噪声序列。

  从上面的模型中可以看出，由于现在时刻噪声的方差是过去有限项噪声值平方的回归，也就是说噪声的波动具有一定的记忆性，因此，如果在以前时刻噪声的方差变大，那么在此刻噪声的方差往往也跟着变大；如果在以前时刻噪声的方差变小，那么在此刻噪声的方差往往也跟着变小。体现到期货市场，那就是如果前一阶段期货合约价格波动变大，那么在此刻市场价格波动也往往较大，反之亦然。这就是ARCH模型所具有描述波动的集群性的特性，由此也决定它的无条件分布是一个尖峰胖尾的分布。

5. 请问ARCH模型的理论和在spss中的操作

SPSS主要做横截面数据，弄不了ARCH，用eviews或SAS

6. 获得了条件均值和方差方程，怎么计算波动率

以哈飞股份()为例，运用GARCH（1,1）模型计算股票市场价值的波动率。

GARCH（1,1）模型为：

(1)

(2)

其中， 为回报系数， 为滞后系数， 和 均大于或等于0。

（1）式给出的均值方程是一个带有误差项的外生变量的函数。由于是以前面信息为基础的一期向前预测方差，所以称为条件均值方程。

（2）式给出的方程中： 为常数项， （ARCH项）为用均值方程的残差平方的滞后项， （GARCH项）为上一期的预测方差。此方程又称条件方差方程，说明时间序列条件方差的变化特征。

通过以下六步进行求解：

本文选取哈飞股份2009年全年的股票日收盘价，采用Eviews 6.0的GARCH工具预测股票收益率波动率。具体计算过程如下：

第一步：计算日对数收益率并对样本的日收益率进行基本统计分析，结果如图1和图2。

日收益率采用JP摩根集团的对数收益率概念，计算如下：

其中Si，Si-1分别为第i日和第i-1日股票收盘价。

图1 日收益率的JB统计图

对图1日收益率的JB统计图进行分析可知：

（1）标准正态分布的K值为3，而该股票的收益率曲线表现出微量峰度（Kurtosis=3.gt;3），分布的凸起程度大于正态分布，说明存在着较为明显的“尖峰厚尾”形态；

（2）偏度值与0有一定的差别，序列分布有长的左拖尾，拒绝均值为零的原假设，不属于正态分布的特征；

（3）该股票的收益率的JB统计量大于5%的显著性水平上的临界值5.99，所以可以拒绝其收益分布正态的假设，并初步认定其收益分布呈现“厚尾”特征。

以上分析证明，该股票收益率呈现出非正态的“尖峰厚尾”分布特征，因此利用GARCH模型来对波动率进行拟合具有合理性。

第二步：检验收益序列平稳性

在进行时间序列分析之前，必须先确定其平稳性。从图2日收益序列的路径图来看，有比较明显的大的波动，可以大致判断该序列是一个非平稳时间序列。这还需要严格的统计检验方法来验证，目前流行也是最为普遍应用的检验方法是单位根检验，鉴于ADF有更好的性能，故本文采用ADF方法检验序列的平稳性。

从表1可以看出，检验t统计量的绝对值均大于1%、5％和10%标准下的临界值的绝对值，因此，序列在1%的显著水平下拒绝原假设，不存在单位根，是平稳序列，所以利用GARCH（1,1）模型进行检验是有效的。

图2 日收益序列图

表1ADF单位根检验结果

第三步：检验收益序列相关性

收益序列的自相关函数ACF和偏自相关函数PACF以及Ljung-Box-Pierce Q检验的结果如表3（滞后阶数 =15）。从表4.3可以看出，在大部分时滞上，日收益率序列的自相关函数和偏自相关函数值都很小，均小于0.1，表明收益率序列并不具有自相关性，因此，不需要引入自相关性的描述部分。Ljung-Box-Pierce Q检验的结果也说明日收益率序列不存在明显的序列相关性。

表2自相关检验结果

第四步：建立波动性模型

由于哈飞股份收益率序列为平稳序列，且不存在自相关，根据以上结论，建立如下日收益率方程：

(3)

(4)

第五步：对收益率残差进行ARCH检验

平稳序列的条件方差可能是常数值，此时就不必建立GARCH模型。故在建模前应对收益率的残差序列εt进行ARCH检验，考察其是否存在条件异方差，收益序列残差ARCH检验结果如表3。可以发现，在滞后10阶时，ARCH检验的伴随概率小于显著性水平0.05，拒绝原假设，残差序列存在条件异方差。在条件异方差的理论中，滞后项太多的情况下，适宜采用GARCH（1,1）模型替代ARCH模型，这也说明了使用GARCH（1,1）模型的合理性。

表3日收益率残差ARCH检验结果

第六步：估计GARCH模型参数，并检验

建立GARCH（1,1）模型，并得到参数估计和检验结果如表4。其中，RESID(-1)^2表示GARCH模型中的参数α，GARCH（-1）表示GARCH模型中的参数β，根据约束条件α+βlt;1，有RESID(-1)^2+GARCH（-1）=0.95083＜1，满足约束条件。同时模型中的AIC和SC值比较小，可以认为该模型较好地拟合了数据。

表4日收益率波动率的GARCH（1,1）模型的参数估计

7. 怎样用stata实现arch模型的ols回归

stata数据分析找我吧

8. 分析杠杆效应的非对称性arch模型有哪些

gentleness, vigor and a keenness of