VARMA-GARCH 和 BEKK-GARCH 係數(RATS)

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

我跑了VARMA-GARCH 和 BEKK-GARCH
但是其結果卻非常的不同??

system(model=var0)                       
variables DLUS DLTINDEX                       
lags 1                       
det constant                       
end(system)                       
garch(p=1,q=1,model=var0,mv=cc,variance=varma,pmethod=simplex,piters=10,hmatrices=hh0,rvectors=rr0)       


MV-GARCH, CC with VARMA Variances - Estimation by BFGS
Convergence in    38 Iterations. Final criterion was  0.0000076 <=  0.0000100
Usable Observations                      1959
Log Likelihood                     14527.9087

    Variable                        Coeff      Std Error      T-Stat      Signif
************************************************************************************
1.  DLUS{1}                      -5.5169e-003       0.0266     -0.20710  0.83592845
2.  DLTINDEX{1}                       -0.0108  4.6858e-003     -2.30762  0.02102052
3.  Constant                     -5.9571e-005  6.5685e-005     -0.90692  0.36444671
4.  DLUS{1}                           -0.2690       0.0831     -3.23683  0.00120865
5.  DLTINDEX{1}                        0.0273       0.0250      1.08864  0.27631239
6.  Constant                      4.0219e-004  2.4330e-004      1.65307  0.09831601
7.  C(1)                          7.1112e-008  5.9797e-008      1.18922  0.23435141
8.  C(2)                          2.6977e-006  8.1983e-007      3.29050  0.00100009
9.  A(1,1)                             0.1012       0.0153      6.61859  0.00000000
10. A(1,2)                        7.5732e-003  3.3414e-003      2.26645  0.02342373
11. A(2,1)                             0.0873       0.0515      1.69476  0.09012066
12. A(2,2)                             0.0737       0.0112      6.58166  0.00000000
13. B(1,1)                             0.8720       0.0191     45.66210  0.00000000
14. B(1,2)                            -0.0281  8.9331e-003     -3.14519  0.00165981
15. B(2,1)                             0.0455       0.1253      0.36345  0.71626627
16. B(2,2)                             0.9235       0.0137     67.34580  0.00000000
17. R(2,1)                            -0.3285       0.0127    -25.79720  0.00000000


system(model=var0)       
variables DLUS DLTINDEX       
lags 1       
det constant       
end(system)       
garch(p=1,q=1,model=var0,mv=bek,pmethod=simplex,piters=10,hmatrices=hh0,rvectors=rr0)

MV-GARCH, BEKK - Estimation by BFGS                                               
Convergence in    36 Iterations. Final criterion was  0.0000038 <=  0.0000100                                               
Usable Observations                      1959                                               
Log Likelihood                     14525.0768                                               
                                               
    Variable                        Coeff      Std Error      T-Stat      Signif                                               
************************************************************************************                                               
1.  DLUS{1}                      -0.012153052  0.022566589     -0.53854  0.59020306                                               
2.  DLTINDEX{1}                  -0.011248225  0.004240145     -2.65279  0.00798289                                               
3.  Constant                     -0.000067211  0.000058968     -1.13979  0.25437341                                               
4.  DLUS{1}                      -0.269909264  0.082878573     -3.25668  0.00112722                                               
5.  DLTINDEX{1}                   0.032347889  0.022102495      1.46354  0.14331964                                               
6.  Constant                      0.000467359  0.000247091      1.89145  0.05856484                                               
7.  C(1,1)                        0.000409339  0.000057248      7.15026  0.00000000                                               
8.  C(2,1)                        0.000381510  0.000322301      1.18371  0.23652918                                               
9.  C(2,2)                        0.001371552  0.000220222      6.22804  0.00000000                                               
10. A(1,1)                        0.299188616  0.019854065     15.06939  0.00000000                                               
11. A(1,2)                        0.011721056  0.073571687      0.15931  0.87342089                                               
12. A(2,1)                        0.006853076  0.004100286      1.67137  0.09464950                                               
13. A(2,2)                        0.261940623  0.022351627     11.71909  0.00000000                                               
14. B(1,1)                        0.946968387  0.006509017    145.48561  0.00000000                                               
15. B(1,2)                       -0.019261816  0.024969676     -0.77141  0.44046496                                               
16. B(2,1)                       -0.003326861  0.001443724     -2.30436  0.02120242                                               
17. B(2,2)                        0.960027019  0.006811212    140.94805  0.00000000                                               
       
VARMA-GARCH的A(1,2)和B(1,2)的顯著性和BEKK-GARCH的A(1,2)和B(1,2)幾乎是完全相反??
為什麼不同的模型會差這麼多??
我換了四五個變數都是結果相反，是VARMA-GARCH解釋的方向和BEKK-GARCH解釋的方向不同嗎??
已經濟合理性來看VARMA-GARCH的結果比較合理，應該是美元的異常變動會造成股票波動變動
BEKK-GARCH的解釋方向就反過來了，怎麼會??

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏2 回帖

关键词：GARCH VARMA ARCH bekk Rats system

你会选择VARIANCES=VARMA,必有原因
请参考page ug-299,公式(22)
VARIANCES=VARMA.  proposed by Ling and McAleer (2003).
    This allows large shocks in one variable to
    affect the variances of the others

我不知道RATS的OUTPUT呈現的方向到底是什麼??
我看了USER GUIDE 好多次了~他沒寫解釋的方向~
因為是打指令~所已裡面的程式到底怎麼寫~我不清楚

bang4kimo 发表于 2012-5-13 19:23
我不知道RATS的OUTPUT呈現的方向到底是什麼??
我看了USER GUIDE 好多次了~他沒寫解釋的方向~
因為是打指令 ...

重点是你要看公式
比较两者的不同
范例的结果也跟你相同
open data g10xrate.xls
data(format=xls,org=columns) 1 6237 usxjpn usxfra usxsui
*
set xjpn = 100.0*log(usxjpn/usxjpn{1})
set xfra = 100.0*log(usxfra/usxfra{1})
set xsui = 100.0*log(usxsui/usxsui{1})
*
* Examples with the different choices for the MV option
garch(p=1,q=1,mv=cc,variances=varma,pmethod=simplex,piters=10) /  xfra xsui

MV-GARCH, CC with VARMA Variances - Estimation by BFGS
Convergence in    66 Iterations. Final criterion was  0.0000017 <=  0.0000100
Usable Observations                      6236
Log Likelihood                     -8655.6981

    Variable                        Coeff      Std Error      T-Stat      Signif
************************************************************************************
1.  Mean(1)                      -0.003817077  0.005872483     -0.64999  0.51569628
2.  Mean(2)                       0.001940181  0.007001241      0.27712  0.78168829
3.  C(1)                          0.009108844  0.002173699      4.19048  0.00002784
4.  C(2)                          0.021131773  0.002285809      9.24477  0.00000000
5.  A(1,1)                        0.233569384  0.015962889     14.63202  0.00000000
6.  A(1,2)                       -0.124280408  0.009901176    -12.55209  0.00000000
7.  A(2,1)                       -0.061818216  0.006043229    -10.22934  0.00000000
8.  A(2,2)                        0.133682505  0.009009018     14.83874  0.00000000
9.  B(1,1)                        0.582966175  0.028657647     20.34243  0.00000000
10. B(1,2)                        0.305497609  0.029388751     10.39505  0.00000000
11. B(2,1)                        0.134331184  0.022611926      5.94072  0.00000000
12. B(2,2)                        0.777725483  0.020488456     37.95920  0.00000000
13. R(2,1)                        0.834151117  0.003719538    224.26204  0.00000000


garch(p=1,q=1,mv=bek,pmethod=simplex,piters=10) /  xfra xsui

MV-GARCH, BEKK - Estimation by BFGS
Convergence in    62 Iterations. Final criterion was  0.0000015 <=  0.0000100
Usable Observations                      6236
Log Likelihood                     -8021.8877

    Variable                        Coeff      Std Error      T-Stat      Signif
************************************************************************************
1.  Mean(1)                       0.005360044  0.005610946      0.95528  0.33943432
2.  Mean(2)                       0.005172338  0.006775365      0.76340  0.44522278
3.  C(1,1)                        0.055393619  0.006656379      8.32189  0.00000000
4.  C(2,1)                        0.003468409  0.011075644      0.31316  0.75416181
5.  C(2,2)                        0.063697328  0.006169189     10.32507  0.00000000
6.  A(1,1)                        0.394342868  0.018055117     21.84106  0.00000000
7.  A(1,2)                       -0.100749365  0.019880363     -5.06778  0.00000040
8.  A(2,1)                       -0.115879825  0.013237840     -8.75368  0.00000000
9.  A(2,2)                        0.326404036  0.014963669     21.81310  0.00000000
10. B(1,1)                        0.910705006  0.006449318    141.20951  0.00000000
11. B(1,2)                        0.039536471  0.007414958      5.33199  0.00000010
12. B(2,1)                        0.048687873  0.005186781      9.38692  0.00000000
13. B(2,2)                        0.936485035  0.005931407    157.88582  0.00000000

在條件變異的地方都很顯著~感覺兩個的結果都是一樣的~
妳說和我結果相的的意思是?? 不好意思，我愚鈍不了解您的問題
我的結果是兩個模型的顯著水準結果是相反的，不是相同的

我看了varma的公式~我覺得是A(1,2) 是2對1造成的影響
在公式上解釋較為合理~前提是A(1,2)就代表矩陣下標的話
BEKK的模型公式~本身展開就太過複雜，所以我不是很清楚~

我看了您給我的A、B 股之间的信息流动与波动溢出這篇
裡面公式中~我覺得A(1,2)~在公式的解釋上~應該是1對2的影響較為合理
在前提是A(1,2)為下標的情形下~
不知道妳看了公式，是否和我有同樣的見解??

bang4kimo 发表于 2012-5-13 20:18
我看了您給我的A、B 股之间的信息流动与波动溢出這篇
裡面公式中~我覺得A(1,2)~在公式的解釋上~應該是1對2 ...

interpret the BEKK coefficients:
   A enters in the form A'u(t-1)u(t-1)'A,
   A(2,1) gives the weight on the cross effect for lagged residual 2 on variance 1,
   and A(1,2) would be for 1 on 2.

那請問有VARMA-GARCH的原文解釋嗎??
這是在哪本書裡找到的~

bang4kimo 发表于 2012-5-13 20:29
那請問有VARMA-GARCH的原文解釋嗎??
這是在哪本書裡找到的~

2楼我已说过
你会选择VARIANCES=VARMA,一定有你的理由
VARIANCES=VARMA 就是 CCC garch的延伸
variance equations与bekk 是不同的

  VARIANCES=VARMA is an extension of the CC/DCC type model allowing
  each variance to depend upon the other variances
  and the other lagged squared residuals.
  Those terms give those off-diagonal coefficients

请注意看底下文献表六
Conditional Correlations and Volatility Spillovers
Conditional Correlations and Volatility Spillovers.pdf (1.36 MB)

2012-5-14 15:47:38 上传