R语言，如何fit, ARIMA-GARCH模型？

急， 跪求大神解答。目前在写一篇PAPER,马上要交，  看到大部分文章在证明，ARMA-GARCH模型比纯ARMA好。 想把自己的股价预测模型也证明下这个，  但是我的是ARIMA-GARCH，   R语言，如何fit, ARIMA-GARCH模型？    是不是没有这样的模型？IF[,2]  # 股价
atest=garchFit(~1+arma(8,2)+garch(1,1),data=IF[,2] ,include.mean=TRUE,cond.dist="norm",trace=F)  #可运行

可运行，但是产生了 GAMMA 值 产生了NA

后来有人指导用下面这个代码，可以运行，无出错，最后回测结果也比较好。  但是我的问题是，代码中  list(armaOrder = c(8,2)，明确支持是ARMA，好像不是ARIMA额， 这里的sGARCH(1,1) 又是什么， Mean Model      : ARFIMA(8,0,2) 这个模型是不是不算ARIMA，    如果我用这个代码，最后文章写的是说用了 ARIMA-GARCH 模型，这样算不算写错啊？ ， 感觉 ARIMA的 差分项没写在模型里啊。    跪求大神回答， 解决后了，可另外发红包， 微信82789754. 谢谢
          GARCH Model Fit        *
-----------------------------------
GARCH Model     : sGARCH(1,1)
Mean Model      : ARFIMA(8,0,2)



#
garch11.spec = ugarchspec(mean.model = list(armaOrder = c(8,2)),
                            variance.model = list(garchOrder = c(1,1),
                                                  model = "sGARCH"), distribution.model = "norm")


garch.fit = ugarchfit(garch11.spec,data=IF[,2],fit.control=list(scale=TRUE))
garch.fit


garch.fit

*---------------------------------*
*          GARCH Model Fit        *
*---------------------------------*

Conditional Variance Dynamics   
-----------------------------------
GARCH Model     : sGARCH(1,1)
Mean Model      : ARFIMA(8,0,2)
Distribution    : norm

Optimal Parameters
------------------------------------
          Estimate  Std. Error    t value Pr(>|t|)
mu     2505.671070   23.794871  105.30299 0.000000
ar1       1.797111    0.003934  456.87002 0.000000
ar2      -1.474109    0.005931 -248.52569 0.000000
ar3       0.639582    0.024711   25.88252 0.000000
ar4       0.120228    0.026320    4.56798 0.000005
ar5      -0.139316    0.068933   -2.02103 0.043277
ar6       0.019041    0.089869    0.21188 0.832201
ar7       0.111391    0.078863    1.41247 0.157812
ar8      -0.075633    0.037569   -2.01317 0.044096
ma1      -0.756285    0.035195  -21.48824 0.000000
ma2       0.642028    0.029839   21.51655 0.000000
omega    11.201405    6.104142    1.83505 0.066498
alpha1    0.084294    0.014021    6.01174 0.000000
beta1     0.914706    0.012196   75.00147 0.000000

Robust Standard Errors:
          Estimate  Std. Error    t value Pr(>|t|)
mu     2505.671070    8.736292  286.81174 0.000000
ar1       1.797111    0.002592  693.31335 0.000000
ar2      -1.474109    0.003267 -451.16017 0.000000
ar3       0.639582    0.018355   34.84499 0.000000
ar4       0.120228    0.033438    3.59553 0.000324
ar5      -0.139316    0.078076   -1.78436 0.074366
ar6       0.019041    0.103397    0.18416 0.853889
ar7       0.111391    0.085556    1.30196 0.192930
ar8      -0.075633    0.037657   -2.00847 0.044593
ma1      -0.756285    0.033138  -22.82220 0.000000
ma2       0.642028    0.037959   16.91376 0.000000
omega    11.201405    7.577655    1.47822 0.139350
alpha1    0.084294    0.023396    3.60295 0.000315
beta1     0.914706    0.019019   48.09473 0.000000

LogLikelihood : -4221.552

Information Criteria
------------------------------------

Akaike       10.655
Bayes        10.738
Shibata      10.655
Hannan-Quinn 10.687

Weighted Ljung-Box Test on Standardized Residuals
------------------------------------
                         statistic p-value
Lag[1]                      0.1147  0.7349
Lag[2*(p+q)+(p+q)-1][29]    7.6080  1.0000
Lag[4*(p+q)+(p+q)-1][49]   15.9620  0.9972
d.o.f=10
H0 : No serial correlation

Weighted Ljung-Box Test on Standardized Squared Residuals
------------------------------------
                        statistic p-value
Lag[1]                     0.2935 0.58800
Lag[2*(p+q)+(p+q)-1][5]    8.2523 0.02550
Lag[4*(p+q)+(p+q)-1][9]   11.3573 0.02532
d.o.f=2

Weighted ARCH LM Tests
------------------------------------
            Statistic Shape Scale P-Value
ARCH Lag[3]    0.1968 0.500 2.000  0.6573
ARCH Lag[5]    1.4412 1.440 1.667  0.6079
ARCH Lag[7]    3.3953 2.315 1.543  0.4422

Nyblom stability test
------------------------------------
Joint Statistic:  2.3269
Individual Statistics:              
mu     0.01612
ar1    0.06031
ar2    0.07079
ar3    0.08008
ar4    0.08189
ar5    0.07956
ar6    0.07324
ar7    0.06370
ar8    0.06272
ma1    0.23194
ma2    0.20121
omega  0.17247
alpha1 0.19710
beta1  0.14791

Asymptotic Critical Values (10% 5% 1%)
Joint Statistic:         3.08 3.34 3.9
Individual Statistic:    0.35 0.47 0.75

Sign Bias Test
------------------------------------
                   t-value   prob sig
Sign Bias           1.2795 0.2011   
Negative Sign Bias  0.9455 0.3447   
Positive Sign Bias  1.2866 0.1986   
Joint Effect        2.7063 0.4391   


Adjusted Pearson Goodness-of-Fit Test:
------------------------------------
  group statistic p-value(g-1)
1    20     51.57    7.681e-05
2    30     60.36    5.573e-04
3    40     75.69    3.870e-04
4    50     80.66    2.938e-03
Elapsed time : 1.552089

一、rugarch包里的 sGARCH(1,1)就是我们通常说的GARCH（1，1）模型
二、AR（FI）MA里的FI指的是对源数据的分位数进行差分。所以这里的ARFIMA(8,0,2)指的是ARIMA(8,0,2)。如果你想做ARIMA(8,1,2),可以先对原数据进行差分之后，再进行拟合

tangdaiztx 发表于 2017-2-4 11:10
一、rugarch包里的 sGARCH(1,1)就是我们通常说的GARCH（1，1）模型
二、AR（FI）MA里的FI指的是对源数据的 ...

那model="fGARCH",submodel="GARCH"这个不是表示通常所说的GARCH？如果不是，那么这个和sGARCH的区别是？谢谢回复

1203306368 发表于 2017-10-2 22:21
那model="fGARCH",submodel="GARCH"这个不是表示通常所说的GARCH？如果不是，那么这个和sGARCH的区别是？ ...

在rugarch package中，sGARCH 是我们常说的GARCH模型，eGARCH 对应EGARCH模型，fGARCH对应门限的TGARCH，iGARCH对应EWMA-GARCH模型。

flyingzhang0809 发表于 2018-10-22 15:48
在rugarch package中，sGARCH 是我们常说的GARCH模型，eGARCH 对应EGARCH模型，fGARCH对应门限的TGARCH， ...

哪一个对应GARCH-M模型呀？

tangdaiztx 发表于 2017-2-4 11:10
一、rugarch包里的 sGARCH(1,1)就是我们通常说的GARCH（1，1）模型
二、AR（FI）MA里的FI指的是对源数据的 ...

请问如何得到数据生成过程为ARFIMA(8,1,2)-GARCH(1,1)的仿真序列？最近在蒙特卡罗模拟遇到了这个问题，能麻烦帮我提些意见么？谢谢了。