① 基于GARCH模型的VAR风险测量,在得到条件方差方程后怎么将条件方差一个个求出来，用eviews怎么操作啊
不会做的话让人帮你做好了
我经常帮别人做这类的数据分析的
② GARCH模型kupiec回测检验在eviews里怎么做
关于Kupiec的检验方法，可以使用R进行了重新编程作图检验，
参考代码如下：
n <- 984;
m <- seq(from=1, to=150, length=150);
p <- .05; # 例外发生的概率
conf <- .95; # chi^2 分布的置信水平
LR=-2*log(((1-p)^(n-m) )* (p^m))+2*log(((1-(m/n))^(n-m))*((m/n)^m));
critical_value <- qchisq(conf, 1);
plot(m,LR, type='l', col='blue', lwd=2, main='Kupiec Test (1995)', xlab='出现风险的次数m')
abline(h=critical_value, col='red', lwd=3)
LR_C <- which(LR<=critical_value)
abline(v=c(LR_C[1],LR_C[length(LR_C)]), lty='dashed')
LR_C
其中的n就是回顾测试的历史数据总数；m是这些数据中超过VaR的天数，这里的critical_value就是chi^2的临界值。
最后的LR_C输出的是满足VaR回测要求的m的所有可能取值。
③ 请问怎么用EVIEWS实现DCC-GARCH模型想研究两个金融市场之间的波动溢出效应，求大神~！高分！
EVIEWS只能实现正态分布、t分布、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。
④ GARCH模型测股票波动性需要什么数据
你只需下载股票每日历史价位就可以了。比方说你下载的是每日开盘价（用每日均价也是可以的），记为S1，S2， S3。。。然后，你需要把这些数字转换成价格日变化率，即（S2-S1）/S1， (S3-S2)/S2，...等等，然后把这组变化率数据导入Eviews， 按下面链接页面的步骤操作就可以，很容易的。
⑤ 股指期货对现货市场的波动性从方差标准差方向怎么研究
点位啊，同花顺有的，键入沪深300就可以，楼主影响都写了数据没找到？那怎么分析的贴水升水的？
⑥ 有关GARCH模型分析股价波动性的优劣性分析
上市公司模型并购重组对公司股价影响的研
⑦ 用GARCH模型计算波动率的具体步骤是怎样的特别是参数估计
一般做garch的都是用原始数据，就是上证指数做变换后的数据。。波动率有很多种求法，garch就是其中一种。如果用你的思路和给出的波动率和收益，garch就是arma的方法求波动率。
那就是以波动率平方为因变量，滞后的波动率平方（有的不同阶数可能，用统计量筛选），滞后的收益平方为自变量做回归。
⑧ 运用stata实证分析建立garch模型遇到的问题
现实数据基本很难处理到完美的，大致上差不多就可以了，你这autocorrelation也不是很严重啊，我觉得可以一用。另外股指上还是尽量用garch吧，一般（1,1）就能有不错的估值了，高了反而增加模型复杂程度。很多paper都指出garch比arima好多了
⑨ 如何用eviews进行GARCH模型测股票波动性，要具体步骤
Eviews是Econometrics Views的缩写，直译为计量经济学观察，通常称为计量经济学软件包。它的本意是对社会经济关系与经济活动的数量规律，采用计量经济学方法与技术进行“观察”。另外Eviews也是美国QMS公司研制的在Windows下专门从事数据分析、回归分析和预测的工具。使用Eviews可以迅速地从数据中寻找出统计关系，并用得到的关系去预测数据的未来值。Eviews的应用范围包括：科学实验数据分析与评估、金融分析、宏观经济预测、仿真、销售预测和成本分析等。
GARCH模型是一个专门针对金融数据所量体订做的回归模型，除去和普通回归模型相同的之处，GARCH对误差的方差进行了进一步的建模。特别适用于波动性的分析和预测，这样的分析对投资者的决策能起到非常重要的指导性作用，其意义很多时候超过了对数值本身的分析和预测。
一般的GARCH模型可以表示为：
Y（t）=h（t）^1/2*a（t） ⑴
h（t）=h（t-1）+a（t-1）^2 ⑵
其中ht为条件方差，at为独立同分布的随机变量，ht与at互相独立，at为标准正态分布。⑴式称为条件均值方程；⑵式称为条件方差方程，说明时间序列条件方差的变化特征。为了适应收益率序列经验分布的尖峰厚尾特征，也可假设 服从其他分布，如Bollerslev （1987）假设收益率服从广义t-分布，Nelson（1991）提出的EGARCH模型采用了GED分布等。另外，许多实证研究表明收益率分布不但存在尖峰厚尾特性，而且收益率残差对收益率的影响还存在非对称性。当市场受到负冲击时，股价下跌，收益率的条件方差扩大，导致股价和收益率的波动性更大；反之，股价上升时，波动性减小。股价下跌导致公司的股票价值下降，如果假设公司债务不变，则公司的财务杠杆上升，持有股票的风险提高。因此负冲击对条件方差的这种影响又被称作杠杆效应。由于GARCH模型中，正的和负的冲击对条件方差的影响是对称的，因此GARCH模型不能刻画收益率条件方差波动的非对称性。