ARIMA-GARCH模型对央行汇率的实证研究（R）

最新推荐文章于 2024-06-16 20:33:59 发布

liumanmanll

最新推荐文章于 2024-06-16 20:33:59 发布

阅读量1.2w

点赞数 19

分类专栏： R Garch

本文链接：https://blog.csdn.net/m0_38008512/article/details/103893766

版权

本文探讨了如何运用ARIMA-GARCH模型处理非平稳且具有集群效应的时间序列数据，通过R语言进行实证研究，对央行汇率进行预测。首先对原始数据进行差分处理，然后建立ARIMA模型，确保残差为白噪声。接着，通过正态性和ARCH效应检验，确定需要构建GARCH模型。最终得到的ARIMA-GARCH模型能够有效提取时间序列的水平信息和波动信息，进行准确的未来汇率预测。

摘要由CSDN通过智能技术生成

GARCH模型：

$\left\{\begin{array}{c} {x_{t}=f\left(\mathrm{t}, \mathrm{x}_{t-1}, \mathrm{x}_{t-2}, \ldots\right)+\varepsilon_{t}} \\ {\varepsilon_{t}=\sqrt{h_{t}} e_{t}} \\ {h_{t}=\omega+\sum_{i=1}^{p} \eta_{i} h_{t-i}+\sum_{j=1}^{q} \lambda_{j} \varepsilon_{t-j}^{2}} \end{array}\right.$

GARCH模型要求时间序列的残差为零均值、异方差的纯随机序列，但是有时不能充分提取序列的相关信息，即不是纯随机性序列；另外，原序列可能是非平稳序列。对于这种情况，需要将原始序列变为平稳序列，对拟合自回归模型，即构造ARIMA模型，再考察残差序列的方差齐性，如果是异方差残差序列，最后构造GARCH模型，这便是ARIMA-GARCH模型。

时序图：