基于自回归的bekk-garch比较复杂，eviews做不了，winrats比较容易。最近在做这个，把代码放上来吧，其实也很短。我是8阶滞后的var，garch（1，1）。vec-bekk-garch同理。
Code：
system(model=var11)
variables lnstock lnfuture
lags 1 to 8
det constant
end(system)  
estimate
*
garch(p=1,q=1,model=var11,mv=bekk,pmethod=simplex,piters=10) / lnstock lnfuture

结果（只写了条件方差-协方差矩阵的系数）：
        Variable        Coeff        Std        T-Stat        Signif
1        C(1,1)        0.001032         0.000120         8.587830         0.000000
2        C(2,1)        0.001549         0.000154         10.071760         0.000000
3        C(2,2)        0.000158         0.000138         1.145280         0.252094
4        A(1,1)        0.157956         0.031076         5.082970         0.000000
5        A(1,2)        -0.109753         0.035981         -3.050280         0.002286
6        A(2,1)        0.058407         0.027533         2.121320         0.033895
7        A(2,2)        0.352988         0.031287         11.282160         0.000000
8        B(1,1)        0.999249         0.003176         314.673280         0.000000
9        B(1,2)        0.047299         0.002357         20.066890         0.000000
10        B(2,1)        -0.024188         0.003297         -7.336500         0.000000
11        B(2,2)        0.920728         0.003615         254.666180         0.000000

如果不基于VAR模型的bekk结果：
        Variable        Coeff        Std        T-Stat        Signif
1        Mean(LNSTOCK)        0.00030894        0.000177923        1.73637        0.08249855
2        Mean(LNFUTURE)        0.000277494        0.000188376        1.47309        0.14072808
3        C(1,1)        0.000805         0.000136         5.920140         0.000000
4        C(2,1)        0.001232         0.000151         8.176810         0.000000
5        C(2,2)        0.000000         0.000292         0.000344         0.999725
6        A(1,1)        0.220629         0.020851         10.581490         0.000000
7        A(1,2)        0.038536         0.024150         1.595740         0.110547
8        A(2,1)        -0.055154         0.011318         -4.872960         0.000001
9        A(2,2)        0.154234         0.012055         12.793660         0.000000
10        B(1,1)        0.963497         0.003973         242.498370         0.000000
11        B(1,2)        -0.001466         0.004606         -0.318250         0.750296
12        B(2,1)        0.014122         0.001460         9.671210         0.000000
13        B(2,2)        0.969268         0.002558         378.923420         0.000000
14        Shape(GED)        1.927284         0.063626         30.290610         0.000000

可以很明显地看到，如果不基于VAR模型，只有2对1有波动溢出，1对2没有。但是在VAR基础上构建bekk-garch以后，波动溢出是双向的。