garch股票市场相关性

❶ 如何用GARCH(1,1)求股票的具体波动率数据

以哈飞股份(600038)为例，运用GARCH（1,1）模型计算股票市场价值的波动率。

GARCH（1,1）模型为：

(1)

(2)

其中， 为回报系数， 为滞后系数， 和 均大于或等于0。

（1）式给出的均值方程是一个带有误差项的外生变量的函数。由于是以前面信息为基础的一期向前预测方差，所以称为条件均值方程。

（2）式给出的方程中： 为常数项， （ARCH项）为用均值方程的残差平方的滞后项， （GARCH项）为上一期的预测方差。此方程又称条件方差方程，说明时间序列条件方差的变化特征。

通过以下六步进行求解：

本文选取哈飞股份2009年全年的股票日收盘价，采用Eviews 6.0的GARCH工具预测股票收益率波动率。具体计算过程如下：

第一步：计算日对数收益率并对样本的日收益率进行基本统计分析，结果如图1和图2。

日收益率采用JP摩根集团的对数收益率概念，计算如下：

其中Si，Si-1分别为第i日和第i-1日股票收盘价。

图1 日收益率的JB统计图

对图1日收益率的JB统计图进行分析可知：

（1）标准正态分布的K值为3，而该股票的收益率曲线表现出微量峰度（Kurtosis=3.748926>3），分布的凸起程度大于正态分布，说明存在着较为明显的“尖峰厚尾”形态；

（2）偏度值与0有一定的差别，序列分布有长的左拖尾，拒绝均值为零的原假设，不属于正态分布的特征；

（3）该股票的收益率的JB统计量大于5%的显著性水平上的临界值5.99，所以可以拒绝其收益分布正态的假设，并初步认定其收益分布呈现“厚尾”特征。

以上分析证明，该股票收益率呈现出非正态的“尖峰厚尾”分布特征，因此利用GARCH模型来对波动率进行拟合具有合理性。

第二步：检验收益序列平稳性

在进行时间序列分析之前，必须先确定其平稳性。从图2日收益序列的路径图来看，有比较明显的大的波动，可以大致判断该序列是一个非平稳时间序列。这还需要严格的统计检验方法来验证，目前流行也是最为普遍应用的检验方法是单位根检验，鉴于ADF有更好的性能，故本文采用ADF方法检验序列的平稳性。

从表1可以看出，检验t统计量的绝对值均大于1%、5％和10%标准下的临界值的绝对值，因此，序列在1%的显著水平下拒绝原假设，不存在单位根，是平稳序列，所以利用GARCH（1,1）模型进行检验是有效的。

图2 日收益序列图

表1ADF单位根检验结果

第三步：检验收益序列相关性

收益序列的自相关函数ACF和偏自相关函数PACF以及Ljung-Box-Pierce Q检验的结果如表3（滞后阶数 =15）。从表4.3可以看出，在大部分时滞上，日收益率序列的自相关函数和偏自相关函数值都很小，均小于0.1，表明收益率序列并不具有自相关性，因此，不需要引入自相关性的描述部分。Ljung-Box-Pierce Q检验的结果也说明日收益率序列不存在明显的序列相关性。

表2自相关检验结果

第四步：建立波动性模型

由于哈飞股份收益率序列为平稳序列，且不存在自相关，根据以上结论，建立如下日收益率方程：

(3)

(4)

第五步：对收益率残差进行ARCH检验

平稳序列的条件方差可能是常数值，此时就不必建立GARCH模型。故在建模前应对收益率的残差序列εt进行ARCH检验，考察其是否存在条件异方差，收益序列残差ARCH检验结果如表3。可以发现，在滞后10阶时，ARCH检验的伴随概率小于显著性水平0.05，拒绝原假设，残差序列存在条件异方差。在条件异方差的理论中，滞后项太多的情况下，适宜采用GARCH（1,1）模型替代ARCH模型，这也说明了使用GARCH（1,1）模型的合理性。

表3日收益率残差ARCH检验结果

第六步：估计GARCH模型参数，并检验

建立GARCH（1,1）模型，并得到参数估计和检验结果如表4。其中，RESID(-1)^2表示GARCH模型中的参数α，GARCH（-1）表示GARCH模型中的参数β，根据约束条件α+β<1，有RESID(-1)^2+GARCH（-1）=0.95083＜1，满足约束条件。同时模型中的AIC和SC值比较小，可以认为该模型较好地拟合了数据。

表4日收益率波动率的GARCH（1,1）模型的参数估计

❷ 目前中国股票市场价格波动与哪些指标相关性大

短线炒热点
中线炒题材
长线炒位置

短线不抓热点涨停无望
中线不辨题材涨幅难测
长线不明位置上下成空

无论短中长线都只有与政策导向相符合才能发挥最大的效力

❸ 如何计算两个股票的相关系数(correlation）（急）

我不知道如何计算这种系数，抱歉！
我只想说，这样的比较在实际操作中一点意义都没有。很多大学的教学内容在股市的实际运用中完全是两码事。正因为如此，股神巴菲特退出了当年就读的第一个商学院。

❹ 黄金投资收益和股票市场的收益正相关吗

股票市场是经济的晴雨表
股市向好，证明经济形势趋好，这样资金就会流，那么黄金是市场的避险保值需求会降低，金价就会受到打压。反则反之。
这是两者走势上的负相关关系，收益方面没有任何相关性，能不能挣，哪个能挣完全在于你怎么做。

❺ 请问怎么用EVIEWS实现DCC-GARCH模型想研究两个金融市场之间的波动溢出效应，求大神~！高分！

EVIEWS只能实现正态分布、t分布、GED分布下的ARCH、GARCH、EGARCH、TGARCH、PARCH等模型的估计，但是像CCC-GARCH、DCC-GARCH等复合GARCH模型的估计EViews是无法实现的。要对这个进行估计的话简单的办法是利用OXmetrix软件做，也可以用R和Matlab编程实现。

❻ GARCH模型测股票波动性需要什么数据

你只需下载股票每日历史价位就可以了。比方说你下载的是每日开盘价（用每日均价也是可以的），记为S1，S2， S3。。。然后，你需要把这些数字转换成价格日变化率，即（S2-S1）/S1, (S3-S2)/S2,...等等，然后把这组变化率数据导入Eviews, 按下面链接页面的步骤操作就可以，很容易的。
http://perso.fundp.ac.be/~mpetijea/MyEviews/Clips/clip17.html
加油。

❼ 股票价格波动相关性是金融风险吗

股票在交易市场上作为交易对象，同商品一样，有自己的市场行情和市场价格。
由于股票价格要受到诸如公司经营状况、供求关系、银行预期年化利率、大众心理等多种因素的影响，其波动有很大的不确定性。正是这种不确定性，有可能使股票投资者遭受损失。
价格波动的不确定性越大，投资风险也越大。因此，股票是一种高风险的金融产品。
例如，称雄于世界计算机产业的国际商用机器公司（ibm），当其业绩不凡时，每股价格曾高达170美元，但在其地位遭到挑战，出现经营失策而招致亏损时，股价又下跌到40美元。
如果不合时机地在高价位买进该股，就会导致严重损失。
关于股票价格波动建议长期关注云财经数据中心 。

❽ 股票市场相关性包含哪些内容

从总体相关性来看，股票市场和债券市场存在跷跷板效应，但是，这种效应在不同时期表现不一致。我们发现，在不同期间，股票价格波动和债券价格波动时而同向变化，时而反向变化。在2002年初到2004年底期间，股票价格波动与债券价格波动基本呈现出同向的变化趋势；但是从2005年开始，两者表现出非常明显的反向变化。在前一个阶段，两者的相关系数为0.92，在后一个阶段两者的相关系数是-0.63。因此，股市和债市在2002年到2004年的3年时间里表现出强烈的协同效应；而在2005年初到2009年9月这将近5年时间里，表现出较强烈的跷跷板效应。对这种差别一种可能的解释是，在前一段时期中，股市波动性相对不剧烈.计算得到，2002年到2004年期间，上证指数的波动标准差是20.9，只有全样本波动性的三分之一。这种股票市场的较低波动性不足以引起投资者的股票和债券的资产组合发生大规模的变化。而这种协同效应主要由影响股市和债市的共同因素所致，比如利率的变化和经济增长率的变化，这两者的变化通常会带来股市和债市的协同波动。因为股票和债券一样都是资产，资产的价格通常同其收益率呈正比，与其贴现率成反比。经济增长使得股票和债券的收益率都上升，市场利率的提高使得股票和债券的贴现率同时上升。为了更加详细的分析两者之间的关系，我们将股市的大起大落的阶段作为参考期。显示了在股市大涨大跌时期，债券市场价格的涨跌状况。我们发现，除了2002年7月至2003年1月这段股市下跌时期中，债券市场出现同方向的下跌趋势外，其它5个股市大波动时期，债券市场都表现出与股市变化相反的变动趋势。在同向变化的这个时期，股价的涨跌幅最小。这组数据支持了股市与债市之间的“跷跷板效应”。表3的数据中表现出一个明显的特征是，股市涨跌幅越大，债市相反方向的涨跌幅也越大；并且，股市下跌时债市涨幅更加明显。前一个特征表现出投资者在资产组合选择中对于风险的敏感性较高。后一个特征主要是由于股市通常上涨较慢，而下跌较快。因此，在股市上涨时期，债市资金总是通过缓慢的方式撤离；而一旦股市出现大跌，投资者为了避免损失，会快速从股市撤出资金，大量资金从股市流入债市带来的债券需求的突然增长，通常会较快的拉高债券价格。