发布时间 : 星期日 文章基于GARCH模型的上证指数分析更新完毕开始阅读37f183b81ed9ad51f11df2a3
从上图可以看出，因此选择建立AR模型，最优滞后期为6。建立AR模型后异方差检验结果为如表3所示 表3：AR模型异方差检验
异方差检验p值为0.0000，因此，AR模型存在异方差，模型估计系数无法满足无偏性、一致性和有效性，因此，本文建立GARCH模型进行研究。在建立GARCH模型之前，首先对模型进行ARCH效应检验，检验结果如表4所示。 表4：模型的ARCH效应检验
从上表可以看出，模型存在ARCH效应，可以建立ARCH族模型。因此本文建立GARCH(1,1)模型。最优滞后阶仍为6阶。GARCH(1,1)模型估计结果如表5所示。
表5：GARCH(1,1)模型的估计结果
对估计的GARCH(1,1)模型进行异方差检验，异方差检验结果如表6所示。 表6：GARCH(1,1)模型异方差检验
表6结果表明GARCH(1,1)模型消除了异方差。表5数据显示，ARCH项和GARCH项系数和小于1，并且显著等于1，表明模型是稳定的，可以用于预测分析。模型预测结果为图4。 模型预测：
.08.04.00-.04-.080506070809LSZF1011?2 S.E.121314.0014.0012.0010.0008.0006.0004.0002.000005060708091011121314Forecast of Variance
图4:模型预测
从预测图可以看出，在2011年之后，模型的预测能力趋于稳定。 五、结论
实证结果表明，上证指数收益率序列具有显著的异方差特征，并且可以采用 GARCH( 1，1) 模型对时间序列的波动性进行很好的拟合和解释。这说明，上证指数收益率的波动大小，即总体风险都与其各自过去的波动大小有很明显的关系，也就是说，上证指数收益率的波动，其条件方差序列都是“长记忆”型的，且聚集特征非常明显。
参考文献
[1]张宗新.金融资产价格波动与风险控制.上海:复旦大学出版社,2005 [2]张世英,樊智.协整理论与波动模型.北京:清华大学出版社,2003
[3]方媛.中国股市波动问题研究一一基于随机波动率模型.华中科技大学，2010 [3]姜仁娜,叶俊.沪深两市股票指数的长记忆性.清华大学学报(自然科学版),2004 [4]张运鹏.基于GARCH模型的金融市场风险研究.吉林大学,2009.
[5]张琳,罗杨飞,唐亚勇.基于GARCH类模型的中国股市收益率分析.四川大学学报(自然科学版),2012,No.1
[6]蒋祥林,王春峰,吴晓霖.基于状态转移ARCH模型的中国股市波动性研宄.系统工程学报,2004,Vol.19, No.3
[7]许爱霞.GARCH模型对沪市行业指数的实证研究.市场论坛.2006