python实现garch python grbl

dcc-garch原理简介和模型实现

DCC模型估计完参数后，还要进行假设检验，检验动态相关系数和常相关系数是否有显著差异。

GARCH模型实际上就是在ARCH的基础上，增加考虑异方差函数的p阶自回归性而形成，它可以有效的拟合具有长期记忆性的异方差函数。ARCH模型是GARCH模型的一个特例，p=0的GARCH（p，q）模型。

ARCH模型（Autoregressive conditional heteroskedasticity model）全称“自回归条件异方差模型”，解决了传统的计量经济学对时间序列变量的第二个假设（方差恒定）所引起的问题。

GARCH模型称为广义ARCH模型，是ARCH模型的拓展，由Bollerslev（1986）发展起来的。时间序列是按照时间排序的一组随机变量，它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。

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。

时间序列模型简介

1、时间序列分析（Time series analysis）是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。

2、ARIMA模型（移动平均自回归模型），其是最常见的时间序列预测分析方法。利用历史数据可以预测前来的情况。ARIMA模型可拆分为3项，分别是AR模型，I即差分，和MA模型。

3、时间序列MA模型特征方程是对数据的移动平均值进行建模，这个模型具有自回归性质，它可以通过系数来描述序列中的趋势和周期性质。

4、在进行时间序列差分之后，需要选择合适的模型。常用的时间序列模型包括ARIMA模型、ARMA模型和季节性模型等。需要通过一些统计测试来确定最佳的模型参数。进行模型拟合和诊断 在选择合适的模型之后，需要进行模型拟合和诊断。

garch模型长期均衡时间

价格波动的 GARCH 模型的思想是利用误差结构的近期实现来预测误差结构的未来实现。更简单地说，我们经常看到在高波动性或低波动性时期的聚类，因此我们可以利用近期的波动性来预测近期未来的波动性。

GARCH模型（波勒斯勒夫（Bollerslev），1986年）。GARCH（p，q）模型为：（2）GARCH-M模型把异方差项引入平均数方程式。

GARCH模型，全称“自回归条件异方差模型”，解决了传统的计量经济学对时间序列变量的第二个假设（方差恒定）所引起的问题。GARCH模型称为广义ARCH模型，是ARCH模型的拓展，是由Bollerslev发展起来的。

如下：时间序列建模都要从平稳性检验开始，做完平稳性检验（如果是考虑多序列的还要做协整检验），就开始做均值模型（arima等），对均值模型的残差进行检验，如果发现又arch效应，才对残差建立Garch模型。