arch效应检验的一些要点

107325

收藏 2014-06-16

arch效应检验的一些要点
   ARCH LM检验的原假设是：ARCH模型里所有回归系数是否同时为零。
   若概率大，大于给定的显著性水平（比如5％），则序列不存在ARCH效应的，即不能拒绝没有ARCH效应假设， ARCH LM一般是对残差进行检验，在未知残差是否具有ARCH效应时，用OLS后，一般是希望残差检验的相伴概率从1阶就有ARCH效应，即概率从1阶就很小，拒绝假设，但是有些时候是低阶概率大，不能拒绝假设，而到了高阶（一般为7、8阶时）概率小，拒绝假设时，说明高阶是有很强的ARCH效应的，这是正常的表现。
   在对序列使用GARCH模型后的残差ARCH LM检验时，就必须期望残差从1阶就表现较大的概率为好，即不能拒绝原假设，残差不再有ARCH效应，说明残差里的信息已经提取干净！
------------------------------------------------分割线--------------------------------------------
预测garch模型的异方差
计算步骤为：
具体来说，在使用设定的模型估计出GARCH模型后，在“Proc”中点击“Forecast”按键即可以弹出预测对话框，为了在工作文件中保存预测值，在对话框的“Series name”中需要输入相应的名称，“forecast name”后输入收益率序列预测值的名称，“GARCH”后面输入条件方差预测值的名称；在“Methods”项中选择“Static”即静态预测（向前一步预测），在“Output”中选择“Do graph”和“Forecast evaluation”，而“sample range for forecast”采用系统默认的值即可，可得出向前一步预测的条件均值和条件方差的值；最后利用生成新序列的选项将条件均值和条件方差的序列名代入2楼中提供的式子即可。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

全部回复

果果瓶子happy

2015-3-12 16:09:53

请问如果做出来的是30阶滞后序列的残差才存在ARCH效应还算存在ARCH效应吗？图如下：
Heteroskedasticity Test: ARCH

F-statistic       1.449140          Prob. F(30,427) 0.0618
Obs*R-square 42.32152          Prob. Chi-Square(30)          0.0672

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 03/12/15 Time: 16:09
Sample (adjusted): 33 490
Included observations: 458 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 9.44E-05 4.41E-05 2.139657 0.0329
RESID^2(-1) 0.012615 0.047983 0.262901 0.7928
RESID^2(-2) 0.046015 0.047955 0.959559 0.3378
RESID^2(-3) -0.002242 0.047762 -0.046949 0.9626
RESID^2(-4) 0.013632 0.047721 0.285665 0.7753
RESID^2(-5) -0.021623 0.047667 -0.453623 0.6503
RESID^2(-6) 0.001717 0.047749 0.035965 0.9713
RESID^2(-7) 0.006221 0.047724 0.130361 0.8963
RESID^2(-8) -0.034432 0.047651 -0.722582 0.4703
RESID^2(-9) 0.077511 0.047673 1.625895 0.1047
RESID^2(-10) 0.054082 0.047557 1.137203 0.2561
RESID^2(-11) 0.039490 0.047624 0.829212 0.4074
RESID^2(-12) 0.107632 0.047470 2.267350 0.0239
RESID^2(-13) 0.022254 0.047755 0.466000 0.6415
RESID^2(-14) -0.040503 0.047694 -0.849217 0.3962
RESID^2(-15) -0.035096 0.047724 -0.735405 0.4625
RESID^2(-16) 0.006555 0.047710 0.137400 0.8908
RESID^2(-17) 0.054715 0.047663 1.147945 0.2516
RESID^2(-18) -0.003531 0.047744 -0.073955 0.9411
RESID^2(-19) 0.088339 0.047440 1.862122 0.0633
RESID^2(-20) 0.027870 0.047588 0.585650 0.5584
RESID^2(-21) -0.077161 0.047534 -1.623281 0.1053
RESID^2(-22) -0.003301 0.047544 -0.069439 0.9447
RESID^2(-23) 0.055591 0.047513 1.170004 0.2427
RESID^2(-24) 0.038002 0.047583 0.798647 0.4249
RESID^2(-25) 0.033773 0.047614 0.709308 0.4785
RESID^2(-26) -0.045722 0.047528 -0.961999 0.3366
RESID^2(-27) -0.039788 0.047578 -0.836276 0.4035
RESID^2(-28) 0.099003 0.047616 2.079194 0.0382
RESID^2(-29) -0.034027 0.047811 -0.711701 0.4770
RESID^2(-30) 0.126531 0.047854 2.644099 0.0085

R-squared 0.092405       Mean dependent var 0.000221
Adjusted R-squared 0.028640       S.D. dependent var 0.000410
S.E. of regression 0.000405       Akaike info criterion -12.72243
Sum squared resid 6.99E-05       Schwarz criterion -12.44310
Log likelihood 2944.436       Hannan-Quinn criter. -12.61242
F-statistic 1.449140       Durbin-Watson stat 2.016704
Prob(F-statistic) 0.061773