EVIEWS中的模型操作.ppt

,GARCH类模型建模的Eviews操作,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,时间序列建模步骤,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。,上证180指数：是上海证券交易所对原上证30指数进行了调整并更名而成的，其样本股是在所有A股股票中抽取最具市场代表性的180种样本股票。它反映上海证券市场的概貌和运行状况，能作为投资评价尺度及金融衍生产品基础的基准指数。 数据来源：上海证券报 /sseportal/index/cn/common/zshq.jsp#7,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。 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 statisticshistogram 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0.000256，标准差（Std. Dev.）为0.001426，偏度（Skewness）为-0.141，小于0，说明序列分布有长的左拖尾。峰度（Kurtosis）为4.596，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。JarqueBera统计量为59.85，P值为0.00000，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-22.88，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0.05，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=t+t,Page 32,将r去均值化，得到w： 操作为： Objects/Generate Series输入 w=r-0.000256 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 Met