GARCH类模型
建模的Eviews操
作
Eviews软件简介1
时间序列建模2
实例操作3
Eviews简介
Eviews是Econometrics Views的缩写，直译为
计量经济学观察，本意是对社会经济关系与经
济活动的数量规律，采用计量经济学方法与技
术进行“观察”，称为计量经济学软件包。
使用Eviews可以迅速地从数据中寻找出统计关
系，并用得到的关系去预测数据的未来值。
Eviews简介
Eviews的应用范围包括：
■ 应用经济计量学
■ 总体经济的研究和预测
■金融数据分析
■销售预测及财务分析
■ 成本分析和预测
■ 蒙地卡罗模拟
■ 经济模型的估计和仿真
■ 利率与外汇预测等等
Eviews主要功能：
操作灵活简便，可采用多种操作方式进行各种
计量分析和统计分析，使数据管理、处理和分
析简单方便。其主要功能有：
（1）采用统一的方式管理数据，通过对象、
视图和过程实现对数据的各种操作；
（2）输入、扩展和修改时间序列数据或截
面数据，依据已有序列按任意复杂的公式生成
新的序列；
Eviews主要功能：
（3）计算描述统计量：相关系数、协方差、
自相关系数、互相关系数和直方图；
（4）进行T 检验、方差分析、协整检验、
Granger 因果检验；
（5）执行普通最小二乘法、带有自回归校
正的最小二乘法、两阶段最小二乘法和三阶
段最小二乘法、非线性最小二乘法、广义矩
估计法、ARCH 模型估计法等；
（6）对二择一决策模型进行Probit、logit
和Gompit 估计；
Eviews主要功能：
（7）对联立方程进行线性和非线性的估计；
（8）估计和分析向量自回归系统；
（9）多项式分布滞后模型的估计；
（10）回归方程的预测；
（11）模型的求解和模拟；
（12）数据库管理；
（13）与外部软件进行数据交换。
Page 7
时间序列建模2
时间序列建模步骤
1 •序列描述性分析
2 •序列相关性分析
3 •回归模型的建立
4 •残差的ARCH效应检验
5 • ARCH模型的建立
6 •模型验证
实例操作3
实例操作
上证180指数收益率波动率分析
本次选取了上证180指数于2008年8月1日到
2010年11月3日的收盘价，共548个观测值。并
以此建立序列{p}，进而构建其对数收益率序列
{r}，对序列{r}建立条件异方差模型，并研究
其收益波动率。
建立新的工作文件
选择菜单File/New/workfile，则出现数据的频率
对话框。如图
Page 13
Page 14
可在 "Workfilefrequency"中选择数据的频率，可
选的频率包括年度、半年、季度、月度、星期、天
（每周5天、每周7天）以及非时间序列或不规则数
据。
可在"Start date"文本框中输入起始日期，"End
date"文本框中输入终止日期，年度与后面的数字
用"："分隔。
具体的日期的表示法为：
年度：二十世纪可用两位数，其余全用四位数字；如：
从1999到2009，只需在Start date中输入1999。End
date中输入2009即可。
半年：年后加1或2；如：从1999年上半年到2009年下
半年，在Start date中输入1999：1 。End date中输
入2009：2。
季度：年后加1-4；从1999年第一季度到2009年第三
季度，在Start date中输入1999：1 。End date中输
入2009：3
Page 15
Page 16
月度：年后加1-12；如：从1999年1月到2009年12
月，在Start date中输入1999：1 。End date中
输入2009：12。
周：月/周/年；如：从2007年1月第一周到2009年
1月第四周，在Start date中输入1/1/2007。End
date中输入1/4/2009
天：月/日/年；如：从2008年3月5日到2009年8月
20日，在Start date中输入3/5/2008。End date
中输入8/20/2009.
非时间序列或不规则数据：输入样本个数。如：
样本数为200，在Start date中输入1 。End date
中输入200。
Page 17
本案例中选择最后一个integer-data， Start
date中输入1 ；End date中输入548。
建立序列
可以采用直接输入法、复制法、导入法。
直接输入法/复制法：点击EViews主菜单中的
Objects/New Object，出现如图所示的对话框，
点击OK后就可以直接输入收集到的数据或是复制
得到序列：
导入法：把存于EXCEL等文档的数据导入序列中。
n 选择主菜单中File/Import/Read Text-Lotus-
Excel，找到已经存好的数据Excel文件，点击“
打开”后，出现如图所示对话框。
在Names for
series or Number
if named in file
选框中序列名称
p，即将数据导
入了该序列p。
建立对数收益率序列
点击Eviews中workfile菜单中的
Objects/Generate Series，键入一个表达
式，可形成一个新的序列。
常使用到表达式：D代表差分；Log代表取对
数；Exp代表取指数；^2代表平分……
Page 20
Page 21
本案例中对序列p的数据取对数然后差分，得到新的
序列r,代表对数收益率。输入的表达式为r=dlog（p），
如图所示：
得到工作表，如图所示：
至此完成数据导入工作。
序列描述性分析
1.画时间序列图
双击序列r，在视图中点击View-graph-line，得
到对数收益率rt的时间序列图如下：
从上证180指数对数收益率序列r的线
性图中，可观察到对数收益率波动的“集
群”现象：波动在一些时间段内较小（例
如从第150个观测值到第200个观测值），
在有的时间段内非常大（例如从第40个数
据到第100个数据）。
Page 24
Page 25
• 然后在视图中点击view-descriptive
statistics—histogram and stats就得到
了对数收益率的柱形统计图，如下：
由图可知，上证能源指数对数收益率序
列均值（Mean）为，标准差（Std.
Dev.）为，偏度（Skewness）为-
，小于0，说明序列分布有长的左拖尾。
峰度（Kurtosis）为，高于于正态分布
的峰度值3，说明收益率序列具有尖峰和厚尾
的特征。Jarque－Bera统计量为，P值
为，拒绝该对数收益率序列服从正态
分布的假设。
Page 26
考察序列的平稳性
Page 27
• 点击View-Unit Root Test，Test Type选
择Augmented Dickey-Fuller，
得到ADF检验的结果如下：
Page 28
t统计量的
值，
对应P值接
近0，表明
序列{r} 平
稳。
序列自相关和偏自相关检验
在视图中点击View-correlogram，在Lags to
include中键入12，然后点击ok，就得到了对数
收益率的自相关函数分析图。
Page 29
Page 30
从图中可以看出，序列的自相关和偏自
相关系数均落入两倍的估计标准差内，
且Q－统计量的对应的p值均大于置信度
，故序列在5％的显著性水平上不存
在显著的相关性。
Page 31
回归模型的建立
由于序列不存在显著的相关性，因此将均
值方程设定为白噪声。
设立模型：
rt=πt+εt
Page 32
将r去均值化，得到w：
操作为： Objects/Generate Series输入
w=
再看w序列的描述性统计：
Page 33
检验ARCH效应
Page 34
检验ARCH效应有两种方法：LM法（拉格朗日
乘数检验法）和对残差的平方相关图检验。
本案例中由于没有对ARMA建模，E-views中
没有直接的LM法，所以采用第二种方法。首先
建立w的平分方程z，在Objects/Generate
Series输入z= w2，
然后在视图中点击view-correlogram，然后点击
ok，就得到了对数收益率的自相关函数分析图。
Page 35
如图所
示：序
列存在
自相关，
所以有
ARCH效
应。
建立GARCH类模型
(1)GARCH模型
(2)T-GARCH模型
(3)E-GARCH模型
Page 36
Page 37
常用的GARCH模型包括GARCH(1,1)，
GARCH(1,2)，GARCH(2,1)我们分别用多个
模型建模，以下以GARCH(1,1)为例:
点击主菜单Quick/Estimate Equation,得到如下
对话框，在 Method选择GARCH,在Mean equation
框中输入w，ARCH和GARCH处都选择1，点击
确定。
Page 38
（1）GARCH(1,1)
Page 39
Page 40
（1）GARCH(2,1)
Page 41
（1）GARCH(1,2)
基于以上三个模型的比较，GARCH（1，1）所有
的系数都通过t检验，效果最好！再考虑T-GARCH
和E-GARCH再分别进行建模。
Page 42
T-GARCH的操作为：
点击主菜单Quick/Estimate Equation,得到如下
对话框，在 Method选择GARCH/TGARCH，再将
Threshold数值输入1，点击确定。如下图：
Page 43
Page 44
T-GARCH(1,1)
E-GARCH的操作为：
点击主菜单Quick/Estimate Equation,得到如
下对话框，在 Method选择EGARCH，再将
Threshold数值输入0，点击确定。如下图：
Page 46
EGARCH(1,1)模型的参数均显著，说明序列
具有杠杆性，可以进一步加入“ARCH-M”
检验：
Page 47
Page 48
系数不显著，（用Variance时系数一样不显著）
，说明不存在ARCH-M过程。
模型验证
对建立的EARCH(1，1)模型进行残差ARCH效
应检验，点击EARCH(1，1)结果输出窗口
View /Residual Test /ARCH LM
TestLag=滞后阶数，可以分别取1，4，8
，12；以lag=4为例，输出结果如下所示：
Page 49
各种lag值情形下，F统计量均不显著，说
明模型已经不存在ARCH效应。
Page 50
建立的EGARCH(1，1)模型如下：
由于之前对r的描述统计中发现统计的正
态分布检验没有通过，可以试图做残差服
从t分布和GED分布的E-views建模。
Page 51
Page 52
假设残差服从t分布操作过程：Quick/Estimate
Equation,得到如下对话框，在 Method选择
Student’s t（ GED分布则选择GED ），如下：
Page 53
Page 54
上证180指数的对数收益率时间序列的均值方程
是一个白噪声 ，而其残差能用EGARCH(1，1)模
型进行较好的拟合。
结论：
（一）异方差的存在性。该上证指数收益率有“
尖峰厚尾”和聚集现象,不服从正态分布。风险
对收益率的影响不显著。
（二）指数收益率存在杠杆性。投资者对该指数
收益率下跌的反映往往高于相同程度收益率上涨
的反映，即收益率的下跌对市场的影响更大。
Page 55
