Varying conditional correlation multivariate GARCH models

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

. webuse stocks
(Data from Yahoo! Finance)

. mgarch vcc (toyota nissan honda = L.toyota L.nissan L.honda, noconstant), arch(1) garch(1)

Calculating starting values....

Optimizing log likelihood

(setting technique to bhhh)
Iteration 0:   log likelihood =    16901.2  
Iteration 1:   log likelihood =  17028.644  
Iteration 2:   log likelihood =  17145.905  
Iteration 3:   log likelihood =  17251.485  
Iteration 4:   log likelihood =  17306.115  
Iteration 5:   log likelihood =   17332.59  
Iteration 6:   log likelihood =  17353.617  
Iteration 7:   log likelihood =   17374.86  
Iteration 8:   log likelihood =  17398.526  
Iteration 9:   log likelihood =  17418.748  
(switching technique to nr)
Iteration 10:  log likelihood =  17442.552  
Iteration 11:  log likelihood =  17455.589  
Iteration 12:  log likelihood =  17463.582  
Iteration 13:  log likelihood =  17463.921  
Iteration 14:  log likelihood =  17463.925  
Iteration 15:  log likelihood =  17463.925  

Refining estimates

Iteration 0:   log likelihood =  17463.925  
Iteration 1:   log likelihood =  17463.925  

Varying conditional correlation MGARCH model

Sample: 1 - 2015                                   Number of obs   =      2014
Distribution: Gaussian                             Wald chi2(9)    =     17.67
Log likelihood =  17463.92                         Prob > chi2     =    0.0392

------------------------------------------------------------------------------
             |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
toyota       |
      toyota |
         L1. |  -.0565645   .0335696    -1.68   0.092    -.1223597    .0092307
             |
      nissan |
         L1. |   .0248101   .0252701     0.98   0.326    -.0247184    .0743385
             |
       honda |
         L1. |   .0035836   .0298895     0.12   0.905    -.0549986    .0621659
-------------+----------------------------------------------------------------
ARCH_toyota  |
        arch |
         L1. |   .0602806   .0086799     6.94   0.000     .0432684    .0772928
             |
       garch |
         L1. |   .9224691   .0110316    83.62   0.000     .9008476    .9440907
             |
       _cons |   4.38e-06   1.12e-06     3.91   0.000     2.18e-06    6.58e-06
-------------+----------------------------------------------------------------
nissan       |
      toyota |
         L1. |  -.0196399   .0387112    -0.51   0.612    -.0955124    .0562326
             |
      nissan |
         L1. |  -.0306663    .031051    -0.99   0.323    -.0915251    .0301925
             |
       honda |
         L1. |    .038315   .0354691     1.08   0.280    -.0312031    .1078332
-------------+----------------------------------------------------------------
ARCH_nissan  |
        arch |
         L1. |   .0774228   .0119642     6.47   0.000     .0539733    .1008723
             |
       garch |
         L1. |   .9076856   .0139339    65.14   0.000     .8803756    .9349956
             |
       _cons |   6.20e-06   1.70e-06     3.65   0.000     2.87e-06    9.53e-06
-------------+----------------------------------------------------------------
honda        |
      toyota |
         L1. |  -.0358293   .0340492    -1.05   0.293    -.1025645     .030906
             |
      nissan |
         L1. |   .0544071   .0276156     1.97   0.049     .0002814    .1085327
             |
       honda |
         L1. |  -.0424383   .0326249    -1.30   0.193    -.1063819    .0215054
-------------+----------------------------------------------------------------
ARCH_honda   |
        arch |
         L1. |   .0458673   .0072714     6.31   0.000     .0316157    .0601189
             |
       garch |
         L1. |   .9369253   .0101755    92.08   0.000     .9169817     .956869
             |
       _cons |   4.99e-06   1.29e-06     3.85   0.000     2.45e-06    7.52e-06
-------------+----------------------------------------------------------------
Correlation  |
  toyota     |
      nissan |   .6643028   .0151086    43.97   0.000     .6346905    .6939151
       honda |   .7302093   .0126361    57.79   0.000      .705443    .7549755
  -----------+----------------------------------------------------------------
  nissan     |
       honda |    .634732   .0159738    39.74   0.000     .6034239    .6660401
-------------+----------------------------------------------------------------
Adjustment   |
     lambda1 |   .0277374   .0086942     3.19   0.001      .010697    .0447778
     lambda2 |   .8255526   .0755881    10.92   0.000     .6774026    .9737026
------------------------------------------------------------------------------

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0 回帖

关键词：GARCH Models Multivariate correlation multivariat conditional starting setting toyota stocks

多谢分享？暂时看不懂。

也没分享什么；就是在stata里运行一个命令；
我以前都是在MATLAB板块发帖和回复问题的；现在想深入了解STATA，我也是今年才用STATA，发现这个软件很好用。
因为有很多函数包，都可以通过  ssc install (comm)  来实现；这样STATA的应用就非常的广泛；其实我暂时使用的命令还很少；
就  psmatch2与部分时间序列建模，其他的还没涉足。

这类模型用R或ox可能更容易解决

gssdzc 发表于 2014-7-30 22:15
这类模型用R或ox可能更容易解决

做MGARCH Stata软件已经比较成熟，解决起来也很容易。R和OX也都用，OX发表过论文，呵呵~

再次来定一个吧

请问楼主您是如何从stata中确定时变系数的？  lamda1 lamda2虽然已经给出，但是rho与fai的初市值没有，
还有问题就是，rho (time-invariant)是不是就是全部时间序列的相关系数，不是某一天的时变系数？
rho (time-invariant)=cov(y1, y2) ,其中y1是一个时间序列，y2是一个时间序列

谢谢您的帮助

grace_xiaozhi 发表于 2014-12-12 02:57
请问楼主您是如何从stata中确定时变系数的？  lamda1 lamda2虽然已经给出，但是rho与fai的初市值没有，
还 ...

这个我不太清楚
不好意思