ARCH和GARCH模型★★

该博客为个人学习清风建模的学习笔记，部分课程可以在B站：【强烈推荐】清风：数学建模算法、编程和写作培训的视频课程以及Matlab等软件教学_哔哩哔哩_bilibili 

该节是针对时间序列分析中对证券指数分析不能使用传统时间序列模型做出的模型，基础内容可以 看博主链接：时间序列分析★★★★-CSDN博客

目录

1ARCH模型

1.1模型概念

1.2ARCH模型适用情形

1.3条件异方差

1.4ARCH(1)模型和ARCH(q)模型

2GARCH(p,q)模型

2.1ARCH(q)效应和GARCH(p,q)效应

2.2GARCH效应检验

2.2.1LM检验

3深成B指时间序列的预测建模

3.1摘要

3.2绘制原始数据时间序列图

3.3绘制收益率序列图

3.4单位根检验

 3.5ACF图和PACF图

3.6AIC和BIC选择模型

3.7ARMA(3,3)模型估计结果

3.8查看残差序列分布直方图

3.9残差白噪声检验

3.10残差平方LM检验

 3.11利用AIC和BIC选择合适模型

3.12GARCH模型估计结果

 3.13预测结果

 4总结

---

名称	重要性	难度
ARCH和GARCH模型	★★	★★★★★

1ARCH模型

1.1模型概念

ARCH 模型 （ Autoregressive conditional heteroskedasticity model ）全称“自回归条件异方差模型”，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。传统的时间序列模型如ARMA 模型识别不出来这一特征。

ARCH 模型由美国加州大学恩格尔 (Engle) 教授 1982 年在《计量经济学》杂志（Econometrica ）的一篇论文中首次提出，此后在计量经济领域中得到迅速发展，恩格尔教授也于2003年获诺贝尔经济学奖。

 1.2ARCH模型适用情形

数据呈现波动聚集性（volatility clustering）长期来看时间序列平稳，短期来看不平稳，存在异方差

1.3条件异方差

因为加法条件异方差的性质不容易探究，因此我们所说的 ARCH 模型均是下面的乘法条件异方差模型。另外，大家可以看出，实际上ARCH 模型是在ARMA模型的基础上提出来的，两者的区别在于扰动项的设置不同，在 ARMA模型中扰动项是最简单的白噪声序列。

1.4ARCH(1)模型和ARCH(q)模型

2GARCH(p,q)模型

2.1ARCH(q)效应和GARCH(p,q)效应

2.2GARCH效应检验

2.2.1LM检验

3深成B指时间序列的预测建模

 3.1摘要

深证成份股指数是深圳证券交易所编制的一种成份股指数，是从上市的所有股票中抽取具有市场代表性的40家上市公司的股票作为计算对象，并以流通股为权数计算得出的加权股价指数，综合反映深交所上市 A、B股的股价走势。成份B股指数变更为包含深圳市场10只B股的B股总收益指数。我们将时间区间选取为2014年1月至2018年5月，共计1064个交易日的收盘价数据，在下文中，分别建立了ARMA模型和GARCH模型对其收益率进行了预测，得到了良好的结果。 （ 代号：399003 ）

3.2绘制原始数据时间序列图

 3.3绘制收益率序列图

3.4单位根检验

 3.5ACF图和PACF图

3.6AIC和BIC选择模型

 3.7ARMA(3,3)模型估计结果

3.8查看残差序列分布直方图

 3.9残差白噪声检验

3.10残差平方LM检验

 3.11利用AIC和BIC选择合适模型

3.12GARCH模型估计结果

 3.13预测结果

 4总结