RACH和GRACH

ARCH和GARCH模型

自回归条件异方差，由美国经济学家罗伯特・恩格尔（Robert F. Engle）于 1982 年提出，该模型在金融时间序列分析等领域具有重要的应用，能够有效捕捉数据的异方差性。

在传统的时间序列分析中，通常假定随机误差项具有恒定的方差，即同方差性。然而，在许多实际的经济与金融时间序列数据中，如股票收益率、汇率波动等，在现代高频金融时间序列中，数据经常出现波动性聚集的特点，但从长期来看数据是平稳的，即长期方差(无条件方差)是定值，但从短期来看方差是不稳定的，我们称这种异方差为条件异方差。ARCH 模型正是为了解决这类异方差问题而构建的，它能够动态地刻画时间序列的方差随时间的变化特征。

ARCH(p)模型

加法条件异方差

乘法条件异方差：

将扰动项变化为了

ARCH 模型认为，当前时刻的随机误差项的方差依赖于过去若干期误差项的平方值。如果过去某一时期的误差较大（即较大），那么当前时期的方差也会相应增大，这意味着未来的波动可能会加剧；反之，若过去误差较小，则当前方差也较小，未来波动相对平稳。这种机制能够很好地捕捉到金融时间序列中常见的波动聚集现象，即大的波动往往会伴随着大的波动，小的波动往往会伴随着小的波动。

GRACH（p,q）模型

广义自回归条件异方差模型

检验GRACH效应：预测完ARMA模型后，如果扰动项和他的平方不是白噪声，就存在GRACH现象

应用：

下面是对深证B进行时间序列的预测建模

下面对收益率进行预测

大概的步骤’

1，单位根检验：原假设：单位根序列，备择假设：平稳序列

平稳数据用ARMA模型，单位根用ARIMA模型

2，根据ACF和PACF图选择一些阶数

3，计算模型的AIC和BIC，选择平均值最小的模型

4，检验残差是否为白噪声（检验ARMA/ARIMA有效性）

5，LM检验残差平方和（是否存在GRACH）

6,在正态分布和t分布的GRACH(1,1)和GRACH(2,2)的模型进行选择

代码:

clear  // 清空变量

* (1) 导入数据并生成时间序列  (*和//都可以用来注释一行)

insheet using "Bindex.csv"  //导入位于和代码同一文件夹下的csv数据文件

gen datevar = date(date,"YMD")   // 将csv中的变量date转换为stata能识别的时间数据datevar

format datevar %td // 对datevar的展示格式进行转换，转换后以:日月年 显示

label variable datevar "日期"  // 设置datevar的标签为日期，主要用于画图时的展示

tsset datevar   // 定义datevar是一个时间序列数据

gen time=_n  // 定义一个从1到n的time序列，n是观测值的个数，系统自动在后台记录的

tsset time    

// 画深成B指的时间序列图

line index datevar   

graph export "深成B指的时间序列图.png", as(png) replace   // 导出图片到本地文件夹

// 计算日收益率数据

gen r=100*(index-L.index)/L.index   //（今天的收盘价-昨天的收盘价）/昨天的收盘价   L是lag的缩写

// 对日收益率r进行描述性统计

summarize r  

// 做出日收益率的时间序列图

line r datevar

graph export "深成B指日收益率的时间序列图.png", as(png) replace   // 导出图片到本地文件夹

// 检验收益率序列r是否为单位根,检验方法是ADF检验(原假设：是单位根序列，备择假设：是平稳序列)

dfuller r

// MacKinnon approximate p-value for Z(t) = 0.0000  p值为0意味着拒绝原假设，所以我们认为r序列平稳

// 观察acf图与pacf图 ，判断AMRA模型的阶数

ac r,lags(20)   // 自相关系数图，滞后20期

graph export "自相关系数图.png", as(png) replace   // 导出图片到本地文件夹

pac r,lags(20)  // 偏自相关系数图，滞后20期

graph export "偏自相关系数图.png", as(png) replace   // 导出图片到本地文件夹

// 根据acf和pacf图，初步判断使用四个备选的ARMA模型来拟合

set matsize 1500  // 把计算时支持的最大矩阵大小设置的大一点，否则计算机性能较差的电脑可能在计算中会报错

arima r,arima(3,0,3)   // 用ARIMA(3,0,3)模型对r进行估计

estat ic   // 得到AIC和BIC，用于选择合适的模型（选小原则，详见第十一讲）

arima r,arima(8,0,8)

estat ic

arima r,arima(3,0,8)

estat ic

arima r,arima(8,0,3)

estat ic

// ARIMA(3,0,3)模型的AIC值和BIC值的平均值最小，所以下面我们使用这个模型进行估计

arima r,arima(3,0,3)

// 得到残差的预测值并生成残差分布直方图图

predict residess, residuals   // 保存残差

hist residess,norm freq  // norm freq表示加上标准正态分布的概率密度函数

graph export "残差分布直方图.png", as(png) replace   // 导出图片到本地文件夹

// 检验残差是否为白噪声序列，检验方法为Q检验：原假设是白噪声，备择假设不是白噪声

wntestq residess, lag(12)   // 对残差序列进行白噪声检验

// 生成残差的平方，并进行Q检验

gen ressq = residess^2   // 生成残差平方序列ressq

wntestq ressq, lag(12) // 对残差平方序列ressq进行白噪声检验

// LM检验：是否存在ARCH误差

reg ressq l.ressq l2.ressq l3.ressq l4.ressq l5.ressq  // 将残差平方项对其滞后项回归

gen LM_STAT=e(N)*e(r2) // 计算LM统计量

display LM_STAT  // 输出LM统计量

display chiprob(e(df_m),LM_STAT) // 计算p值

// 利用AIC BIC选择合适的模型进行估计

// 注意：扰动项的分布在金融数据中常服从t分布

// 正态分布下GARCH(1,1)估计

arch r,arima(3 0 3) arch(1) garch(1)

estat ic

// t分布下GARCH(1,1)估计

arch r,arima(3 0 3) arch(1) garch(1) distribution(t 3)  // 自由度为3的t分布

estat ic

// 正态分布下GARCH(2,2)估计

arch r,arima(3 0 3) arch(2) garch(2)

estat ic

// t分布下GARCH(2,2)估计

arch r,arima(3 0 3) arch(2) garch(2) distribution(t 3)

estat ic

// 得到拟合结果，并进行预测

arch r,arima(3 0 3) arch(1) garch(1) distribution(t 3)

tsappend ,add(10)  // 将时间延长10期

predict result // 对数据进行预测

tsline result r, legend(label(1 "预测值")  label(2 "真实值"))   // 绘制拟合图

graph export "预测结果图.png", as(png) replace   // 导出图片到本地文件夹