实际波动率的与GARCH的比较

1. 实际波动率的与GARCH的比较

 ABDL(2001b)提出了VAR—RV模型，即所谓的长记忆高斯向量自回归对数实际波动率模型，并且用第T日的实际波动率分别和VAR—RV及GARCH(1，1)利用直到T一1日的信息预测第T日的波动率的结果比较，发现VAR—RV的预测精度远优于GARCH(1，1)的预测精度。因为GARCH(1，1)用到的是直到T一1日的日收益平方，而VAR—RV利用的却是直到T一1日的日内收益数据，它是基于长记忆的动态模型。这是它优于前者的关键。GARCH(1，1)模型在预测精度方面的不足并不是模型本身的错，而是在日收益中的噪声使得GARCH模型在预测方面显得力不从心，相反却体现了用日内数据来预测波动率的功效。正如ABDL(2001a)指出“二次变动理论揭示：在适当的条件下，RV不仅是日收益波动的无偏估计量，而且渐进地没有度量误差。” GARCH模型通常是针对单变量的，虽然多元的ARCH类模型和随机波动模型也被提出了，如[[]Bollerslv]]、Engle、Nelson(1994)、Ghysels、Harvey、E.Renault(1996)和K.Kroner，Engle（Ng）(1998)，但这些模型由于受到维度限制问题(curse —of—di．mensionality)而严重影响了它们的实际应用。而RV在处理多元方面显得游刃有余。正如ABDL(2001b)指出“用多元分形求积高斯向量自回归来处理对数实际波动率，和由ARCH类及相关模型所得结果相比，发现前者有惊人的优势。”

2. stata在做 garch模型时 在arch 出回归结果后如何生成σn变量算出第n天的条件方差啊?

predict

3. 用GARCH模型计算波动率的具体步骤是怎样的？特别是参数估计

一般做garch的都是用原始数据，就是上证指数做变换后的数据。。波动率有很多种求法，garch就是其中一种。如果用你的思路和给出的波动率和收益，garch就是arma的方法求波动率。
那就是以波动率平方为因变量，滞后的波动率平方（有的不同阶数可能，用统计量筛选），滞后的收益平方为自变量做回归。

4. 运用stata实证分析建立garch模型遇到的问题

现实数据基本很难处理到完美的，大致上差不多就可以了，你这autocorrelation也不是很严重啊，我觉得可以一用。另外股指上还是尽量用garch吧，一般（1,1）就能有不错的估值了，高了反而增加模型复杂程度。很多paper都指出garch比arima好多了

5. 对garch类模型，stata的估计参数与eviews的估计参数存在差异，为什么？

garch模型可以做的
存在差异很正常
我经常帮别人做这类的数据分析的

6. 用stata怎么做white test

reg y x, r
rvfplot
estat imtest, white

7. 怎么用stata做怀特检验

reg y x, r
rvfplot
estat imtest, white