如何用eviews进行GARCH模型测股票波动性，要具体步骤

1. 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。

2. 实际波动率的与GARCH的比较

 ABDL(2001b)提出了VAR—RV模型，即所谓的长记忆高斯向量自回归对数实际波动率模型，并且用第T日的实际波动率分别和VAR—RV及GARCH(1，1)利用直到T一1日的信息预测第T日的波动率的结果比较，发现VAR—RV的预测精度远优于GARCH(1，1)的预测精度。因为GARCH(1，1)用到的是直到T一1日的日收益平方，而VAR—RV利用的却是直到T一1日的日内收益数据，它是基于长记忆的动态模型。这是它优于前者的关键。GARCH(1，1)模型在预测精度方面的不足并不是模型本身的错，而是在日收益中的噪声使得GARCH模型在预测方面显得力不从心，相反却体现了用日内数据来预测波动率的功效。正如ABDL(2001a)指出“二次变动理论揭示：在适当的条件下，RV不仅是日收益波动的无偏估计量，而且渐进地没有度量误差。” GARCH模型通常是针对单变量的，虽然多元的ARCH类模型和随机波动模型也被提出了，如[[]Bollerslv]]、Engle、Nelson(1994)、Ghysels、Harvey、E.Renault(1996)和K.Kroner，Engle（Ng）(1998)，但这些模型由于受到维度限制问题(curse —of—di．mensionality)而严重影响了它们的实际应用。而RV在处理多元方面显得游刃有余。正如ABDL(2001b)指出“用多元分形求积高斯向量自回归来处理对数实际波动率，和由ARCH类及相关模型所得结果相比，发现前者有惊人的优势。”

3. garch 初始值 波动率

garch初始值波动率：以哈飞股份(600038)为例，运用GARCH（1,1）模型计算股票市场价值的波动率。
ABDL提出了VAR—RV模型，即所谓的长记忆高斯向量自回归对数实际波动率模型，并且用第T日的实际波动率分别和VAR—RV及GARCH(1，1)利用直到T一1日的信息预测第T日的波动率的结果比较，发现VAR—RV的预测精度远优于GARCH(1，1)的预测精度。

影响：
在计算期权的理论价格时，通常采用标的资产的历史波动率：波动率越大，期权的理论价格越高；反之波动率越小，期权的理论价格越低。波动率对期权价格的正向影响，可以理解为：对于期权的买方，由于买入期权付出的成本已经确定。
标的资产的波动率越大，标的资产价格偏离执行价格的可能性就越大，可能获得的收益就越大，因而买方愿意付出更多的权利金购买期权；对于期权的卖方，由于标的资产的波动率越大，其承担的价格风险就越大，因此需要收取更高的权利金。