GARCH模型均值方程设立

最近在写论文，运用GARCH模型分析收益率波动。
收益率序列自相关检验结果是下面第一个图，是不是具有较弱的自相关性或者说因为系数较小不具有相关性，我看论坛里有直接对常数回归建立均值方程的，为什么可以直接对常数回归？感觉很随意，难道GARCH模型对均值方程要求很低？


下面这个图是一阶差分的自相关检验，这个是自相关在2阶以后截尾、偏自相关拖尾？说的不专业，请勿见笑，如果是对一阶差分建立均值方程该怎么做？

沉了吗

试着回答你第一个问题，均值方程的目的在于估计条件均值，方差方程在于估计条件方差。均值方程可以很复杂，也可以简单到只有一个intercept，这个intercept相当于估计的就是长期的unconditional的收益率，也是有其合理性的。
我最近在做一个多元的GARCH的模型，我把code贴一下，希望有所帮助。其中第二行p=1用于滞后一阶，即每个变量都等于自己的滞后项和其他三个变量的滞后项。第三行用于估计variance equation，用的是garch（1,1）。
proc varmax data=all;
model  rw rm rs spr/p=1;
garch q=1 p=1 form=dcc OUTHT=condmatrix;
nloptions tech=qn maxiter=500;
run;

还有高手吗

首先回答你第一个问题：
建立GARCH模型的原因是序列的方差随着时间在变，即存在条件异方差，这个情况在金融数据中比较常见。为了描述条件异方差的情况则建立GARCH模型，建立之前必须对已经通过检验的均值模型进行GARCH效应检验，如果存在GARCH效应才考虑建立GARCH模型。在金融数据中，一般不能从序列的相关图和偏相关图中提取出很多信息，所以可以让均值模型直接对一个常数建模，这样做的前提是均值模型能通过检验。如果不能通过检验则需要对均值模型建立ARMA模型。均值模型到底该怎么建需要根据具体的数据决定。
第二个问题：
从偏相关图和自相关图可以看出序列是自相关图一阶截尾，偏相关图拖尾，所以可以建MA（1）
提示：对于数据不要随便差分，要对数据进行检验判断是否平稳，如果是平稳的时间序列数据的话不能差分，不然会出现差分过度的现象。如果检验出序列不平稳，才需要将数据差分使之变为平稳的时间序列再进行建模。