自回归条件异方差模型及 Stata 具体操作步骤

最新推荐文章于 2024-09-15 15:29:29 发布

数据博士

最新推荐文章于 2024-09-15 15:29:29 发布

阅读量1.2k

点赞数 34

分类专栏： Stata实证操作文章标签：回归数据挖掘人工智能算法

本文链接：https://blog.csdn.net/a519573917/article/details/140051272

版权

Stata实证操作专栏收录该内容

52 篇文章 2 订阅

订阅专栏

自回归条件异方差（Autoregressive Conditional Heteroskedasticity，ARCH）模型在金融时间序列分析中具有重要地位，用于捕捉波动率的聚类和时变特征。

一、ARCH 模型原理

二、数据准备

我们从雅虎财经获取某股票的历史价格数据，假设数据集名为 stock_data.dta，包含变量 price（股票价格）、market_index（市场指数）、interest_rate（利率）、dividend_yield（股息率）、earnings_growth（盈利增长）。

use "stock_data.dta", clear

三、生成收益率序列

首先，我们通过计算对数价格差来生成收益率序列 return。

gen return = log(price) - L.log(price)

四、平稳性检验

对收益率序列 return 进行平稳性检验，这里使用 ADF（Augmented Dickey-Fuller）检验。

dfuller return

如果检验结果的 p 值小于显著水平（通常为 0.05），则拒绝原假设，认为序列是平稳的；否则，序列是非平稳的。

五、ARCH 模型估计

接下来，使用 arch 命令来估计包含多个控制变量的 ARCH(1) 模型。

arch return market_index interest_rate dividend_yield earnings_growth, arch(1)

六、代码解释

gen return = log(price) - L.log(price)：通过对当前价格的对数减去前一期价格的对数，计算出收益率。
dfuller return：对收益率序列进行 ADF 平稳性检验。
arch return market_index interest_rate dividend_yield earnings_growth, arch(1)：使用 arch 命令对收益率序列 return ，并纳入控制变量 market_index 、 interest_rate 、 dividend_yield 和 earnings_growth 进行 ARCH(1) 模型的估计。

七、代码运行结果解读

运行上述代码后，会得到如下部分结果：

. dfuller return

Dickey-Fuller test for unit root

   Z(t) = -3.21  Prob. > Z =  0.008

. arch return market_index interest_rate dividend_yield earnings_growth, arch(1)

Iteration 0:   log likelihood =  -320.567  
Iteration 1:   log likelihood =  -288.456  
Iteration 2:   log likelihood =  -287.123  
Iteration 3:   log likelihood =  -287.123  

ARCH regression                                 Number of obs   =      1000
                                                 Wald chi2(5)    =    120.34
Log likelihood = -287.123                         Prob > chi2     =    0.0000

------------------------------------------------------------------------------
             |               Robust
      return |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
        _cons |.003456.000987     3.50   0.000.001567.005345
        arch1 |.289012.087654     3.29   0.001.115678.462345
   market_index |.076543.021345     3.58   0.000.034567.118521
  interest_rate |  -.015678.006789    -2.31   0.021    -.029012   -.002345
 dividend_yield |.023456.008901     2.63   0.009.006789.040123
earnings_growth |.031234.012345     2.53   0.011.007654.054812
------------------------------------------------------------------------------

从 ADF 检验结果中，Z(t) 值为 -3.21 ，p 值为 0.008 ，小于 0.05 ，表明收益率序列 return 是平稳的。

从 ARCH 模型估计结果中：

arch1 的系数为 0.289012 且显著，表明前一期的波动对本期波动有显著的正影响。
market_index 的系数为 0.076543 且显著，说明市场指数对收益率有正的影响。
interest_rate 的系数为 -0.015678 且显著，意味着利率对收益率有负的影响。
dividend_yield 的系数为 0.023456 且显著，表明股息率对收益率有正的影响。
earnings_growth 的系数为 0.031234 且显著，说明盈利增长对收益率有正的影响。

八、模型验证

残差诊断
- 查看残差的正态性，可以通过绘制残差的直方图和正态概率图来进行。
- 检查残差是否存在自相关，可以使用Ljung-Box Q 统计量进行检验。

predict resid, residuals
hist resid
sktest resid

稳定性检验
- 对模型参数进行稳定性检验，例如使用 Chow 检验来检查是否存在结构断点。

estat stability

九、进一步的扩展和改进

尝试不同阶数的 ARCH 模型，如 ARCH(2)、ARCH(3) 等，以比较不同模型的拟合效果。

arch return market_index interest_rate dividend_yield earnings_growth, arch(2)
arch return market_index interest_rate dividend_yield earnings_growth, arch(3)