ARCH模型在金融數(shù)據(jù)中的應(yīng)用

1、實(shí)驗(yàn)七（G）ARCH模型在金融數(shù)據(jù)中的應(yīng)用一、實(shí)驗(yàn)?zāi)康睦斫庾曰貧w異方差（ARCH）模型的概念及建立的必要性和適用的場合。了解（G）ARCH模型的各種不同類型，如GARCH-M模型（GARCHinmean）,EGARCH模型（ExponentialGARCH）和TARCH模型（又稱GJR）。掌握對（G）ARCH模型的識別、估計(jì)及如何運(yùn)用Eviews軟件在實(shí)證研究中實(shí)現(xiàn)。二、基本概念p階自回歸條件異方程ARCH（p）模型，其定義由均值方程（7.1）和條件方程方程（7.2）給出：yt=Pxt+齒（7.1）222ht=var（st|Q）=%十2露二世？5十+apSt_p（70其中，Qt表示t-1時(shí)刻所

2、有可得信息的集合，ht為條件方差。方程（7.2）表示誤差項(xiàng)即的方差ht由兩部分組成：一個(gè)常數(shù)項(xiàng)和前p個(gè)時(shí)刻關(guān)于變化量的信息，用前p個(gè)時(shí)刻的殘差平方表示（ARCH項(xiàng)）。廣義自回歸條件異方差GARCHp,q）模型可表示為：弘=削+%（7.3）22ht=var（st|Q,）=a0+&馬工+apq+十%（7.4）三、實(shí)驗(yàn)內(nèi)容及要求1、實(shí)驗(yàn)內(nèi)容：以上證指數(shù)和深證成份指數(shù)為研究對象，選取1997年1月2日2002年12月31日共6年每個(gè)交易日上證指數(shù)和深證成份指數(shù)的收盤價(jià)為樣本，完成以下實(shí)驗(yàn)步驟：（一）滬深股市收益率的波動性研究（二）股市收益波動非對稱性的研究（三）滬深股市波動溢出效應(yīng)的研究2、實(shí)

3、驗(yàn)要求：（1）深刻理解本章的概念；（2）對實(shí)驗(yàn)步驟中提出的問題進(jìn)行思考；（3）熟練掌握實(shí)驗(yàn)的操作步驟，并得到有關(guān)結(jié)果。四、實(shí)驗(yàn)指導(dǎo)（一）滬深股市收益率的波動性研究1、描述性統(tǒng)計(jì)（1）導(dǎo)入數(shù)據(jù)，建立工作組打開Eviews軟件，選擇"File菜單中的"NewWorkfile'選項(xiàng)，在"Workfilefrequency”框中選擇"undatedorirregular",在"Startobservation和“Endobservation框中分另U輸入1和1444,單擊"OK'。選擇"File"

4、菜單中的"Import-ReadText-Lotus-Excel”選項(xiàng)，找到要導(dǎo)入的名為EX6.4.xls的Excel文檔完成數(shù)據(jù)導(dǎo)入。(2)生成收益率的數(shù)據(jù)列在Eviews窗口主菜單欄下的命令窗口中鍵入如下命令：genrrh=log(sh/sh(-1),回車后即形成滬市收益率的數(shù)據(jù)序列rh,同樣的方法可得深市收益數(shù)劇序列rzo(3)觀察收益率的描述性統(tǒng)計(jì)量雙擊選取"rh”數(shù)據(jù)序列，在新出現(xiàn)的窗口中點(diǎn)擊"View""DescriptiveStatistics""HistogramandStats”,則可得滬市收益率rh的描述

5、性統(tǒng)計(jì)量，如圖71所示：圖71滬市收益率rh的描述性統(tǒng)計(jì)量同樣的步驟可得深市收益率rz的描述性統(tǒng)計(jì)量。觀察這些數(shù)據(jù)，我們可以發(fā)現(xiàn)：樣本期內(nèi)滬市收益率均值為0.027%,標(biāo)準(zhǔn)差為1.63%,偏度為-0.146,左偏峰度為9.07,遠(yuǎn)高于正態(tài)分布的峰度值3,說明收益率rt具有尖峰和厚尾特征。JB正態(tài)性檢驗(yàn)也證實(shí)了這點(diǎn)，統(tǒng)計(jì)量為2232,說明在極小水平下，收益率rt顯著異于正態(tài)分布；深市收益率均值為-0.012%,標(biāo)準(zhǔn)差為1.80%,偏度為-0.027,左偏峰度為8.172,收益率rt同樣具有尖峰、厚尾特征。深市收益率的標(biāo)準(zhǔn)差大于滬市，說明深圳股市的波動更大。2、平穩(wěn)性檢驗(yàn)再次雙擊選取rh序列，點(diǎn)擊

6、"View""UnitRootTest",出現(xiàn)如圖72所示窗口：圖7-2單位根檢驗(yàn)對該序列進(jìn)行ADF單位根檢驗(yàn)，選擇?t后4階，帶截距項(xiàng)而無趨勢項(xiàng)，所以采用窗口的默認(rèn)選項(xiàng)，得到如圖73所示結(jié)果：圖7-3rhADF檢驗(yàn)結(jié)果同樣對rz做單位根檢驗(yàn)后，得到如圖7-4所示結(jié)果:圖74rzADF檢驗(yàn)結(jié)果在1%的顯著水平下，兩市的收益率、都拒絕隨機(jī)游走的假設(shè)，說明是平穩(wěn)的時(shí)間序列數(shù)據(jù)。這個(gè)結(jié)果與國外學(xué)者對發(fā)達(dá)成熟市場波動性的研究一致：Pagan(1996)和Bollerslev(1994)指出：金融資產(chǎn)的價(jià)格一般是非平穩(wěn)的，經(jīng)常有一個(gè)單位根(隨機(jī)游走)，而收益率序列

7、通常是平穩(wěn)的。3、均值方程的確定及殘差序列自相關(guān)檢驗(yàn)通過對收益率的自相關(guān)檢驗(yàn)，我們發(fā)現(xiàn)兩市的收益率都與其滯后15階存在顯著的自相關(guān)，因此對兩市收益率rt的均值方程都采用如下形式：rt=c+art45+卸(7.5)(1)對收益率做自回歸在Eviws主菜單中選擇"Quick""EstimationEquation"，出現(xiàn)如圖75所示窗口：圖7-5對收益率rh做自回歸在"Method”中選擇LS(即普通最小二乘法)，然后在"Estimationsettings"上方空白處輸入圖75所示變量，單擊“OK',則出現(xiàn)圖7-6所示

8、結(jié)果：山四15號-VITITLEDVotkfil*:OTITLED)-lol£ilsEditQbjects£iew£rocsquickdRtion*WindowViewjFr”15gt三Print|Xame|FrecHeEstitnate|F口rcam11St.tw|Residw|VariableCoefficientStd.Errort-StatisticProb.C0.0002260.000431U5247E30.990RH卜0.0946970.02630113.6005070.0003R-squared009015MeandependentygrD.Q0D2

9、53AdjustedP-squared0.003320S.D.dependentvar0.01G346S.E.ofregression0015279Akaikeinfocriterion-5.396425Sumsquaredresid0.377654Schwarzcriterior-5.309048Loglikelihood3852.349F-statistic1296355Durbin-Watsonstat2024254ProbfF-statistic)0.000326DapenderrtVariable:RHMethod:LeastSquaresDate10727/05Time16:24S

10、ample(adjusted):171443includedobservations:1427afteradjustingendpointsFith=圖7-6收益率rh回歸結(jié)果c：«vim3DB=nonut|ffF=imtitiled(2)用Ljung-BoxQ統(tǒng)計(jì)量對均值方程擬和后的殘差及殘差平方做自相關(guān)檢驗(yàn)：點(diǎn)擊"View""ResidualTest""Correlogram-Q-statistics”,選擇10階滯后,則可得滬市收益率rh殘差項(xiàng)的自相關(guān)系數(shù)acf值和pacf值，如圖77所示：圖7-7滬市收益率rh殘差項(xiàng)的自相關(guān)系

11、數(shù)acf值和pacf值點(diǎn)擊"View""ResidualTest""CorrelogramSquaredResiduals”,選擇10階滯后，則可得滬市收益率rh殘差平方的自相關(guān)系數(shù)acf值和pacf值，如圖78所示：-|D|x|魚Jx|替EVI業(yè),玉=Equation：UIT1TLEIJlorktile：UMTlTLEDJ【IFileEditObjectsViewFreesQuickOptionsWindowHelpVi“IPrme工IObeets|PYiikl.|llaffie|FreeHe|童三七|Forecast|tats|Rewide

12、|CorrelogramofResidualsSquaredDate:107/05Time;W37Sample171443Includedobservations:1427AutocorrelationPartialCorrelationACPACQ-SlatProb>101740174433W0000f20.1400.113712060.000P30.1490.112102.890.000-fU.119U.053123.33U.UOU(s.045-0.011126.290.000W6D.1Q1Q.Q64140S7Q.OQO'f7no7e0030149W0000！ii800520

13、.011152930.000ii90.0430.012156.340.00041。U.U75U.U4O154.47U.UOU11Fath=c:tvinti3KB=nona|=u&tiU«d采用同樣的方法，可得深市收益率rz的回歸方程及殘差、殘差平方的acf值和pacf值。結(jié)果表明兩市的殘差不存在顯著的自相關(guān)，而殘差平方有顯著的自相關(guān)。(3)對殘差平方做線性圖。對rh進(jìn)行回歸后在命令欄輸入命令：genrres1=residA2,得到rh殘差平方序列resl,用同樣的方法得到rz殘差平方序列res2。雙擊選取序列resl,在新出現(xiàn)的窗口中選擇"View"&qu

14、ot;LineGraph",得到resl的線性圖如圖7-9所示圖7-9rh殘差平方線狀圖同理得到rz殘差平方線狀圖圖7-10rz殘差平方線狀圖可見好的波動具有明顯的時(shí)間可變性(timevarying)和集簇性(clustering)，適合用GARCH類模型來建模。(4)對殘差進(jìn)行ARCH-LMTest依照步驟(1),再對rh做一次滯后15階的回歸，在出現(xiàn)的“Equation”窗口中點(diǎn)擊“View”“ResidualTest”“ARCHLMTest”，選擇一階滯后，得到如圖711所示結(jié)果：ipn：irWTTTLEDIdrkfilvtVYTITUD*-1FileEditObjeatsVi

15、ProcsquickOttionsHelp|ffIX|CbjedVrint|Kame|FrmeEitim氏電0eids|ARCHTesiF-sUtistic4440012ProbabiiuyOOOUOOObs*R-squared43.19340Probability0.000000TcslEqglitmDependentVariable:RESIDESMethod:LeastSqu4reiDate:10Z27/05Ume:17:19Sam|3ile(adjusted)1B1443Includedobservations:142&afteradjustingendpointsVariab

16、leCoefficientStd.Errort-StatisticProbC0.0002192.09E-0510,48264D.OOOORESIDA2(-1)0.1740430,02609666693J200D00R-$queredQ.O3029DMeandependentvar0.0265AdjustedR-squared0.029609S.D.dependentvar.00756S.E.ofregression0.000743Akaikeinfocriterion-11.56967Sumsquaredresid口000707Schwarzcriterion-111.56220Loglike

17、lihond0251.178F-statistic44.48U12DurbiivWatsonstat2.039221Prob(F-statistic)0.000000rPath=c：A«vi*wi3AB=noneWF-=uutitied圖7-11rhARCH-LMTest對rz方程回歸后的殘差項(xiàng)同樣可做ARCH-LMTest,結(jié)果表明殘差中ARCK應(yīng)是很顯著的。4、GARC廉模型建模(1) GARCH(1,1)模型估計(jì)結(jié)果點(diǎn)擊“Quick""EstimateEquation”,在出現(xiàn)的窗口中“Method"選項(xiàng)選擇"ARCH,可以得到如圖712

18、所示的對話框。在這個(gè)對話框中要求用戶輸入建立GARCH類模型相關(guān)的參數(shù)：“MeanEquationSpecfication”欄需要填入均值方差的形式；“ARCH-Mterm”欄需要選擇ARCH-M項(xiàng)的形式，包括方差、標(biāo)準(zhǔn)差和不采用三種；“ARCHSpecification”欄需要選擇ARCH和GARCH項(xiàng)的階數(shù)，以及估計(jì)方法包括GARCH、TARCH和EGARCH等等；“VarianceRegressors”欄需要填如結(jié)構(gòu)方差的形式，由于Eviews默認(rèn)條件方差方程中包含常數(shù)項(xiàng)，因此在此欄中不必要填入“C”。我們現(xiàn)在要用GARCH(1,1)模型建模，以滬市為例，只需要在“MeanEquatio

19、nSpecification"欄輸入均值方差“RHCRH(-15)”，其他選擇默認(rèn)即可，得到如圖713和圖714所示的結(jié)果。圖712EquationSpecification窗口-JOIX|置JEViet,-EqasGQiL：QSTITLEDWTITLEDOEil*EditQbj»ctsfie*次ftuickOttioftsVindawHelp¥iew"工口史寫IClbjeets|FrintFarecaEt|ftats|ResidsDependentVariable;RHMethod,ML-ARCHDate10/27/05Time17:29Sample(

20、adjusted)：171443Includedobservations1427afteradjuslingendpointsConvergenceachievedafter25iterationsCoefficientSidErrorz-StatisticProbC-2.21E-OB0.000203-B.0077950.9938RH(-16)0.0693020.020200293574500033VarianceEquationC872E-061.45E-066.0035430.0000MCH0.176514001524211,59078口.000。GARCH(1)08073910.0137

21、0356920G000000squared0.007543Meandependentvar0.000253AdjustedR-squared0.004751S.D.dependentvar0.016348S.E.ofregression0.016309Akaikeinfocriterion-6.645039Sumsquaredresid0.379216Schwarzcriterion5.626597Loglikelihood4032.735F-statistic27D1026Durbin-Watsonstat2.023588Prob(F-statistic)0.029225MFath=<

22、Xtvisws3IiB=rmm胖=uMirUd圖7-13滬市收益率GARCH(1,1)模型估計(jì)結(jié)果圖7-14深市收益率GARCH(1,1)模型估計(jì)結(jié)果可見，滬深股市收益率條件方差方程中ARCH®和GARC題都是高度顯著的，表明收益率序列具有顯著的波動集簇性。滬市中ARCH項(xiàng)和GARCH項(xiàng)系數(shù)之和為0.98,深市也為0.98,均小于1。因此GARCH(1,1)過程是平穩(wěn)的，其條件方差表現(xiàn)出均值回復(fù)(MEAN-REVERSION),即過去的波動對未來的影響是逐漸衰減。(2) GARCH-M(1,1)估計(jì)結(jié)果依照前面的步驟只要在“ARCH-Merm”欄選擇方程作為ARCH-M®的

23、形式，即可得到GARCH-M(1,1港型的估計(jì)結(jié)果，如圖715和圖716所示。微EVitTB-lEqaativu:VffTITLEBVWTITLED1I1£ileEdlitQbjeata工iew£rocsuickOptionsJJindLow：占I乂IVicw|Frotsi|Ubj王匚Pitini|Ham、Fiee工=|七ieaAe|For口匚口牙七|SIat|Re方ds|DependentVariableRH*MethodML-ARCHDate.10y27/05Time:17:31Sample(adjusl8d):171443Includedobservations-14

24、-27afteradjustingendpointsConvergenceachievedafter29iterationsCoefficientStd.Errorz-StatislicProb.GAFCHCRHC-15)5.937671-0.0010310.05146G2.2596950.0004500.133492.627542-22929612.SO4B610.0086002190.0D5QVarianceEquationc120E-051.97E-06S.W165400000ARCH0.2151B3O.O106D511,56564,ODOQGARCH0.7645770.01759743

25、.449160.0000R-squared0014653MeandependentvarLi000253AdjustedR-squared0.011106SDdependentvarn016348SE.ofregression0.01S256Akaikeinfbcriterion-5646943Sumsquaredresid0.375606Schwarzcriteria-5623813Loglikelihood4Q34.384F-statistic42263手IPathsc：Xeviws3D>B=n.?neWF-tied.JEView=-LEqa&iion：USTirLCDlar

26、kfile：UUTITLEDJ3辦工電EditQ.bjiactEViewErdCEBuick迎tion，JtindciwKelp口削Xj¥i七留|F:eoum|口卜七匚+3Fi"in1|照ans|Free1e|E±timg.te|FMTEuaMll|SIall|R.e5»i/2|Depand&ntVarisbla:RZMethod:ML-ARCHDate:1DZ27B5Time:17.34Sample(adjusted)：171443Includedobservations1427afteradjuslingendpoint&Conwei

27、rgence1achiewdafter33iterationsCoefficientStd.Errorz-StatisticProb.GARCH5.1626082.1663442.3B419600171C0.0D15690.00054928387310.0045RZ-15)0.0549550.0222132.4740050.0134VarianceEquationC685E-061.39E-064939390oooooARCH0.123260000956712,984630.0000GARCH0.0608490.00©37591,036440.0000R-squarisdOOOBBS

28、3Meandependentvar-0.000173AdjustedR-squarsd0.0D6054S.D.dependiontvar,017333S.E.ofregression0.017E88Akaiksinfocriterion-5.475337Sumsquaredresid0.464684Schwarzcriwicm-5.453207Loglikelihood3912.653F-slali-stic2.451695二D-Path-e:eviews3DB-nofietfF二untitled圖7-16深市收益率GARCH-M(1,1)模型估計(jì)結(jié)果可見，滬深兩市均值方程中條件方差項(xiàng)GARC

29、H的系數(shù)估計(jì)分別為5.937671和5.162608,而且都是顯著的。這反映了收益與風(fēng)險(xiǎn)的正相關(guān)關(guān)系，說明收益有正的風(fēng)險(xiǎn)溢價(jià)。而且上海股市的風(fēng)險(xiǎn)溢價(jià)要高于深圳。這說明上海股市的投資者更加的厭惡風(fēng)險(xiǎn)，要求更高的風(fēng)險(xiǎn)補(bǔ)償。(二)股市收益波動非對稱性的研究1、TARCK型估計(jì)結(jié)果在圖7-12的“ARCHSpecification”下拉列表中選擇“EGARCH即可得到rh、rz的TARCH莫型估計(jì)結(jié)果，如圖7-17和圖7-18所示。EVicws-Hq。"立ion,二HrariTLEDToi-kfile：WT1TUDIlIFileEditDljActsViawFreesQuickicnsWin

30、dowHalpViFv口ci±|口卜口ul.=|Flint|Nst|Rjtq喙zc|E:timat,4|Fnar勺1.二t：5七七二，口；id:|DependentVariableRHIMIeihadl；ML-ARCHDate:1Q/27/D5Time:17:35Sample(adjusted):171443llneludedobservatioins:1427afteradjustinqendpointsConvergenceachievedafter2BiterationsCoefficientSid.Errorz-£talisticProbc-.D02B41ih：T-

31、79609ci14JIRH(-15).B5316.211EDSiu：1"VarianceEquationc7.2&E-DE1.17E-D66P2074D9iARCH0.110EB7D13E70B口90日990.0M0(RESID-cCJARCH(1).B525S0104464622D440.0M0GARCH(I)Q,附日56”了口75,14770R-squared.7253Meandependenivair0.D0D253AdjustedR-squared.3750S.D.dependentvar口.1B34日S.E.ofregression.1E317Akaikeinfoc

32、riterion-5.E45B03Sumsquaredresid.370326Schwarzcriterion-5.E27752Loglikelihaodl4037.1911F-statiistnc2.Q7E4GI|P4tJktws3|DB=mmIF=lintitlad圖717滬市收益率TARCHT(1,1)模型估計(jì)結(jié)果-JO1x|=JSJ2<1EViews-FEauatiM：U1TITUDTorkfile：UITITLED_JFile旦查LObjeelsViewProcsauickOfitifnsWindowHel>Fi|PitocisIObjeu七.|Print|ITancFr

33、eeze|EM，i.EaAE|For”L|W七aA3|E.e5idsDependa'ntVairiabh:RZMethod:ML-ARCHDale：10/2705Time：17:36.Sample(adjusted):171443Includedobservatioins:1427afteradjustingendpointsConvergenceachievedafter29iterationsCoeffici>entStd.Errorz-StatisticPrab.C-,07840.000355-2.20681302730.056272002224J2.52973D0114V

34、arianceEquationc5.74E-06123F-064B71746ooonARCHU.Q96SD20.0D97519.927374O.OOOU(RESID<0)RCH(1)0.CL47B69,0143873.3272760.0009GARCH(1)0.967877n.00075499,140710000R-squaredlO.QOS2D5Meandependentvar-0.000173AdjustedR-squared01705S.D.dependentvar0.017933SEofregression.17S10AKaikeinfocriterion-5.47F775Sum

35、squaredresidl,456219Schwarzent&rion-5.456645Loglikelihood3915.1D6F-statistiic1.406995Path=c：eviDB-nona相Fijntitlad.圖7-18深市收益率TARCH(1,1)模型估計(jì)結(jié)果在TARCH中，&2dt二項(xiàng)的系數(shù)估計(jì)值都大于0,而且都是顯著的。這說明滬深股市中壞消息引起的波動比同等大小的好消息引起的波動要大，滬深股市都存在杠桿效應(yīng)。2、EARCH模型估計(jì)結(jié)果在圖7-12的“ARCHSpecification”下拉列表中選擇“EGARCH則可得到rh、rz的EGARCH莫型估計(jì)結(jié)

36、果，分別如下圖7-19和圖7-20所示。-TEquation.ITiTITLIDTorkfil«：UHTITUDII豈ilaEditDLjct.-sVi*wPrdciQuickQ2tioriiWindjowH«lps|FrocsQbectwfrintMae|Freeze|Estim&tc|Frrecect|tatsKesidw|DependentVariable:RHMethod:MLARCHDale:10/27JO5Time.17:43Sample(adjusted).171443Includedobservations.1427afteradjuMingendp

37、ointsConvergenceachievedafter57iterationsCoefficientStd.Erraiz-StalisficPrab.C-.00027G。一口口口3口4.9080020.3E33RH(15)0.0543250.0209702.5906E90.0096VarianceEquationc-0.5127700.05777B-0.0748670OOOU|RES|/SQRGARCH(10279614002221612,59365OOODOF?ES/SQRIGARCH(1)-0D518460.011154-4,B40115oooonEGARCH9639030005960

38、1617194O00?？赗-squarsd.OS39DMeandependentvar.00253AdjustedR-squared.00893S-Ddependentvar.16348S.E.ofregression.16324Akaikeinfocriterion-5.667941Sumsquaredresidl378655Schwarzcriterion5.645611Loglikelihood4050.076F-statistic1B27619Path二c：,te：views3DB-noneWF3untitied.EViews-EquatiQiL：U1TITLEBTorkfile：UU

39、ITLED-I口1x口1慢EditQbj*ct&i«w*8工Quick口rHhsgnd。*H1p-|ffjx|Vi.wFFoe|QbntM|FrintHmi+IFf*EiHm.tolFom.Mts*H1R=id.|DependentVariable:RZ一MethodML-ARCHDate:10/27/05Time:17：J1Sample(adjusted)171443Includedobsen/ations1427afteradjustingendpointsCorwergencanotachievedafter100itarationsCoefficientStd.Err

40、orz-StatisticProb.C-0.000775OQD340-2.2776340227RZ(-15)00494620022373221032600271VarianceEquationC-0.3713630.045B40-3.1012130.0000|RES|/SQRGARCH(123664501507114,923010.0000RES/SQRGARCH(1)-00320590D0B8993.602770ODOD3EGARCH0.97&4B50.00511619D,38iao.mnoR-squared0.0D4809Meandependentvar-0.000173Adjus

41、tedR-squared0.001307S.D.dlependentvar0.017933S.Eofregression0.017922Akaikeinfocriterion*5,487199Sumsquaredresid0456401Schwancnierion5.465060Loglikelihood3921.116F'Statiistic1373207;JPath=c：eviewsSDB=nGiLeIIWF=untitled圖7-20深市收益率EGARCH(1,1膜型估計(jì)結(jié)果在EGARCH中，與叁項(xiàng)的系數(shù)估計(jì)值都小于零。在估計(jì)結(jié)果中滬市為-0.051846,深市為-0.03205

42、9,而且都是顯著的，這也說明了滬深股市中都存在杠桿效應(yīng)。(三)滬深股市波動溢出效應(yīng)的研究當(dāng)某個(gè)資本市場出現(xiàn)大幅波動的時(shí)候，就會引起投資者在另外的資本市場的投資行為的改變，將這種波動傳遞到其他的資本市場。這就是所謂的“溢出效應(yīng)”。例如9.11恐怖襲擊后，美國股市的大震蕩引起歐洲及亞洲股市中投資者的恐慌，從而引發(fā)了當(dāng)?shù)刭Y本市場的大動蕩。接下來我們將檢驗(yàn)深滬兩市之間的波動是否存在“溢出效應(yīng)”。1、檢驗(yàn)兩市波動的因果性(1)提取條件方差重復(fù)前面GARCH-喉型建模的步驟，選擇主菜單欄“Procs”下的“MakeGARCVarianceSeries"，得到rh回歸方程殘差項(xiàng)的條件方差數(shù)據(jù)序列GARCH01同樣的步驟rz回歸方程殘差項(xiàng)的條件方差數(shù)據(jù)序列GARCH02(2)檢驗(yàn)兩市波動的因果性在“WorMle”中同時(shí)選中“GARCH01和“GARCH02,右擊，選擇aOpen“AsGroup”,在彈出的窗口中點(diǎn)擊"View""GrangerCausality”,并選擇滯后階數(shù)5,得到如圖721所示結(jié)果。圖7-21Granger因果檢驗(yàn)可見，我們不能拒絕原假設(shè)：上海的波動不能因果深圳的波動。但是可以拒絕原假設(shè)：深圳的波動不能因果上海的波動。這初步證明滬深股市的波動之間存在溢出效應(yīng)，且是不對稱，單向的，表