基于GARCH族的我国股指波动率的拟合及预测

第五组金融资本市场字数：9304基于GARCH族的我国股指波动率的拟合及预测雷滔eq\o\ac(○,)【摘要】近20年来使用GARCH类模型预测金融市场的波动率已成为该领域理论及实证上的热门话题。本文对我国沪深及香港恒生等主要股指收益的ARCH效应检验,使用GARCH类模型包括:GARCH（1，1）、GARCH-M及描述非对称的EGARCH和TGARCH模型来拟合股指的波动性,进行波动性的预测以及预测效果的评价是本文的四大核雷滔，1981-，女，北京航空航天大学博士研究生，主要研究方向：计量经济学，股指期货，GARCH族模型等。心。文章对最近两年GARCH模型的发展进行了全面综述，并对拟合预测评价进行了直观的图形描述。雷滔，1981-，女，北京航空航天大学博士研究生，主要研究方向：计量经济学，股指期货，GARCH族模型等。关键词：波动率；GARCH族;拟合;预测中图分类号F830文献标识码ATheGARCH-basedresearchonthefittingandpredictionofstockindex’svolatility【Abstract】Overthepast20years,theuseofGARCH-typemodelstopredictthefinancialmarketvolatilityhasbecomeahottopicbothintheoreticalandinempiricalarea.ThisarticlefocusonhavingtheARCHeffectstestontherevenueofstockindexrevenueinChina'sShanghai、ShenzhenandHongKong'sHangSengandothermajormarketusingofGARCH-typemodelsincluding:GARCH(11)、GARCH-MaswellasthedescriptionofasymmetricSuchasTGARCHandEGARCHmodelstofitthevolatilityofstockindexcarryingoutthevolatilityoftheforecastaswellastheevaluationoftheeffectofforecastwhicharethecoreofthefourinthepaper.InadditionthearticlegivesacomprehensiveoverviewonGARCHmodel’sAnalysis.Keywords:Volatility;GARCHFamily;Fitting;Forecast引言无论是金融衍生产品的定价、金融风险的测定还是资产组合的分析波动率在测度金融资产的总体风险中都扮演着很重要的角色。测度市场风险价值的模型都需估计、预测波动参数。到目前为止测量波动性的方法有四种:一是历史波动性;二是隐含的波动性模型;三是通过随机波动率(SV)模型进行估计;四是通过GARCH类模型进行估计这种方法目前成了主流。文献综述及研究现状GARCH类模型族以收益和方差来度量波动性，以此测度金融资产的总体风险。“波动丛集性和聚集性”是GARCH类模型的特征。丛集性描述资产价格大（小）的变化（正或负的）后往往随后也会有大（小）的变化即：波动的当期水平与它最近的前些时期水平有正相关关系，波动是自相关的。基于金融时序的波动有聚集效应即波动的时变性,诺贝尔奖得主Engle于1982年首先提出了自回归条件异方差模型(AutoregressiveConditionalHeteroskedasticityModel)即ARCH模型。此后，ARCH模型族得到较快发展本文根据建模需要将ARCH族模型的具体描述放在第三小节讲解。。现GARCH模型已发展成了一个家族体系主要有EGARCH、GJRGARCH、APARCH、FIGARCH、FIEGARCH、FIAPARCH、FIAPARCH、IGARCH和HYGARCH本文根据建模需要将ARCH族模型的具体描述放在第三小节讲解。目前的关于GARCH模型族的研究发展非常迅速。首先是将BP神经网络(BPNNbackpropagationneuralnetwork）、遗传算法（GAgeneticalgorithm）、Box-Cox和copula函数等方法与GARCH或支持向量回归（SVRsupportvectorregression)相结合。大量研究基于此：BaoRongChang等学者将BP神经网络用于SVR灰色模型和GARCH降低波动集群效应,很好地解决超调（overshoot）和波动聚类（volatilityclustering）的影响,实现股指波动的更好预测【1】；学者Yi-HsienWang【2】将新的混合不对称波动（hybridasymmetricvolatility）方法纳入到人工神经网络期权定价模型（artificialneuralnetworksoption-pricingmodel），改善预测衍生证券价格的能力。这种新的不对称波动方法可减少随机和非线性的误差序列。学者认为使用人工神经网络期权定价的灰色GJR-GARCH波动比其他方法对波动性提供了更精确的预测；SamreenFatima【3】等学者分别结合人工神经网络（ANNArtificialNeuralNetworks）,ARIMA或ARCH/GARCH模型使用混合金融系统（hybridfinancialsystems）对巴基斯坦KSE100股指进行短期预测，并对这些模型的预测，通过预测均值误差等进行对比,作者发现人工神经网络法比较适合KSE100股指的预测;Shian-ChangHuang【4】等作者使用多时间尺度方法（multipletime-scaleresolutions）和非参回归（nonparametricregressor）,结合遗传算法和支持向量机的最优时间尺度特征（optimaltime-scalefeature）提取法,建立混合预测模型（novelhybridpredictionmodel）来预测未来演变的各种股指。作者使用小波基（waveletbases）分解时间序列的解释性变量,用遗传算法提取最优的时间尺度特征，将提取到的最优的时间尺度特征作为SVM模型的输入变量进行最后的预测，这种方法大大减小了均方根预测误差（root-mean-squaredforecastingerrors）；Gu´egan【5】等学者基于GARCH过程时变copula函数的二元数字期权定价（PBOPricingBivariateOption）即在GARCH的基础上发展了二元定价未定权益（也称“或有索赔权”）（pricingbivariatecontingentclaimsunder）模型。含有时变参数使用动态依赖性方法（dynamicdependencemeasure）的时变动态copula函数比静态函数和动态copula函数在分析相关性结构方面具有更好的优势,并针对沪深股指进行了相关的实证研究;LugerR【6】等学者使CopulaGARCH模型在股指市场的回报进行了有效估计,非正态联合分布函数文中提到Jondeau(2006)及Bartram.(2007)等用Copula-GARCH在股票收益波动的运用。。MaxwellL【7】等学者提出了用马尔可夫链蒙特卡罗（MCMCMarkovchainMonteCarlo）算法估计参数和潜在的随机过程（latentstochasticprocesses）中非对称随机波动模型（SVasymmetricstochasticvolatilitymodels），其中方差波动的Box-Cox变换和遵循自回归高斯分布（AutoregressiveGaussianDistribution）和资产回报率的边际密度（marginaldensity）呈后尾分布。文章用贝叶斯因子和贝叶斯信息标准(BICBayesianinformationcriterion)检验方差波动，比较方差波动的Box-Cox变换文中提到Jondeau(2006)及Bartram.(2007)等用Copula-GARCH在股票收益波动的运用。其次是GARCH模型的复杂衍生，如马尔可夫转换GARCH模型等，它提高了波动性预测的精度:Jung-SukYu【8】等学者章使用EGARCH-M模型和多元AR-GARCH模型对中东和北非（埃及）股票市场的收益和波动性及他们和全球重大股票市场的关联进行研究，文章认为中东和北非自身的波动溢出（Own-volatility-spillovers）高于跨域波动溢出性（cross-volatilityspillovers）;MartinT【9】等学者的文章中探讨机构投资者对股市回报的影响。文章研究波兰养老保险制度改革后，养老金资金被用来作为一个独特的体制特征，由此带来的增加体制所有加大了投资活动。它使用马尔可夫转换GARCH模型证明了机构投资者的增加改变了总体股票的结构性波动，同时这些机构投资者的出现有利于股指市场的定;MichaelD【10】等学者的论文利用multivariate-GARCH模型来估计条件自相关（conditionalautocorrelation）来探讨自相关性和波动性的关系。文章对M-GARCH模型的方差方程进行修改，其中包括采用马尔可夫制度转换模型对可滤概率（filteredprobabilities）的时序波动性进行修订拟合。文章认为波动性和自相关性之间存在一种负相关，这种不对称现象（anasymmetryexists）是卖空（shortselling）机制受限的结果此外，GARCH衍生模型用于其他方面的研究，如CelsoBrunetti【11】以及此外，GARCH衍生模型用于其他方面的研究，如CelsoBrunetti【11】以及Bowden【12】等学者分别使用马可夫转换GARCH模型和ARIMA-EGARCH及ARIMA-EGARCH-M模型对汇率的价值及高波动性和美国中西。部独立系统运营商MidwestIndependentSystemOperator(MISO)集线器的电价探讨。感兴趣读者可来信获取类似综述。图1数据分析四大步骤（一）各股指的基本统计特征:（一）各股指的基本统计特征:1.均值；2.标准差；3.偏斜度；4.峰度；5.Jarque-Bera检验数据、方法及目标：股指：上证指数、深证成指、沪深300和香港恒指GARCH模型：GARCH（1，1）、GARCH-M、EGARC、HTGARCH目标：股指收益波动性拟合、预测和评价（二）（二）ARCH效应的检验：1，UnitRootTests检验；2，ADF单位根检验；3自回归条件异方差性-拉格朗日乘数检验(ARCH-LMtest)（三）模型拟合：（三）模型拟合：1.GARCH（1，1）模型的拟合及残差检验；2.GARCH-M模型拟合及残差检验；3.EGARCH模型拟合及残差检验；4.TGARCH模型拟合及残差检验（四）相关GARCH模型的预测以及（四）相关GARCH模型的预测以及MSE、MAE、RMSE和MAPE四个指标的评价GARCH模型族：本文是用ARCH族对波动率进行拟合和预测,因而首先设定ARCH模型。（一）、ARCH模型ARCH（q）模型的均值方程为：其中，为各股指收益率的时间序列，为独立同分布的白噪声过程，它满足：ARCH（q）模型的ARCH方程为以下形式or（通常假定）.其中为各股指收益率的时间序列为波动性的标准差。且：。在任意时刻t,ARCH过程的条件方差是过去的随机误差项的函数，并可以由递推公式表示，确定参数后，即可进行模型的拟合和预测。（二）、GARCH模型针对金融时序的经验分布的尖峰厚尾性Bollerslev(1986)在ARCH模型基础上创立了广义自回归条件异方差模型(GeneralizedAutoregressiveConditionalHeteroskedasticityModel)，即GARCH模型它弥补了在有限样本下模型阶数过大所带来的计算效率及精度上的不足，有良好的处理厚尾能力。GARCH（p,q）模型为：。GARCH（pq）模型等价于高阶的模型，待估参数的个数大为减少，从而解决了ARCH模型的参数估计问题。实证中GARCH（11）模型能模拟许多时序数据，可充分捕获数据中的波动丛集性。因此在学术研究中很少使用和考虑高阶的GARCH（pq）模型。GARCH（11）模型的均值方程和条件方差方程均为：为自变量表达式，它也可以只是一个常数,本文中使用的是常数。为回归方程的随机误差项服从GARCH（11）的过程。其中当期拟合方差解释为长期平均值(依赖于)前一期有关波动的信息和前一期模型中的拟合方差的加权函数。GARCH模型虽能反映股指市场收益率时变和有效捕捉资产收益率波动的聚类和异方差现象，但它难以很好处理收益率分布的有偏性且模型对系数约束也很强。它也很难判断条件方差波动源的持续性GARCHA（1,1）模型实际上是条件方差的ARMA模型。实证中，我们考虑使用极大似然法来估计GARCH模型，这种方法是通过在给定的实际数据中寻找最有可能的参数值来进行。而根据最大似然法的根本要求，即对的条件正态假定，当GARCH模型的条件方差尖峰态时，极大似然法就不合适。我们使用适合非正态性的方差-斜方差估计量来替代通常的标准误估计。这一过程（即带有Bollerslev-Wooldridge标准误的极大似然法）叫准极大似然法（quasi-maximumlikelihood）GARCHA（1,1）模型实际上是条件方差的ARMA模型。实证中，我们考虑使用极大似然法来估计GARCH模型，这种方法是通过在给定的实际数据中寻找最有可能的参数值来进行。而根据最大似然法的根本要求，即对的条件正态假定，当GARCH模型的条件方差尖峰态时，极大似然法就不合适。我们使用适合非正态性的方差-斜方差估计量来替代通常的标准误估计。这一过程（即带有Bollerslev-Wooldridge标准误的极大似然法）叫准极大似然法（quasi-maximumlikelihood）或QLM法来估计。（三）、GARCH-M模型（均值GARCH模型）金融学中大多模型都假设投资者应为承担额外的风险而获得更高的收益，处理这一概念的一种方法是，假定证券的收益可部分的由它的风险决定。这样资产收益的条件方差就进入到了均值方程中即它同时考虑到了收益率与风险性的关系。本文设定GARCH-M模型的均值和方差方程为：方程中如果是正的且具有显著性,那么由条件方差增加所给定的风险增加将会导致均值收益的上升【13】。（四）、EGARCH模型：由于股指市场风险与收益的杠杆平衡影响一些序列在波动上表现为具有明显的不对称。此后针对GARCH模型不能反映非对称性(asymmetry)以及它对系数的非负性约束太强，Nelson(1991)提出了指数GARCH(EGARCH)模型Bollerslev和Mikkelsen(1996)重新表达了EGARCH模型。本文根据我国股市的特点和EGARCH模型的方差描述方法,以下面的简单模型对股指市场进行拟合有学者认为EGARCH对金融数据的拟合很好，但该模型较不容易构造对波动性的预测。。EGARCH一阶模型的均值和条件方差方程为：有学者认为EGARCH对金融数据的拟合很好，但该模型较不容易构造对波动性的预测。为各股指在t期的收益率为波动性的标准差。以为例。波动性对正的冲击的反应系数为+;对负的冲击的反应系数为:-+。（五）、TGARCH模型(ThresholdARCH门限ARCH模型)TGARCH模型主要考查相同幅度但不同方向（利好消息和利空消息）的股价变动对股价波动性的影响是否一样，或者说考察新息冲击曲线的对称性。TGARCH一阶的模型方差方程为：其中,。利好消息的影响是。当时，条件方差对冲击的反应是对称的。当时,条件方差对冲击的反应是非对称的,这样可以认为在一半的时间内为1[14]。（六）、四种预测评价指标本文采用多种文献中广泛使用的四种评价指标:误差均方根（RMSERootMeanSquaredError）;绝对均差（MAEMeanAbsoluteError);相对误差绝对值平均（MAPEMeanAbsolutePercentageError）及Theil不等系数。各计算公式为[15]：；其中是预测值,是真值。RMSE通过若干个预测值对预测效果进行综合评价；MAE通过若干个预测值对预测的绝对误差进行综合评价；MAPE通过若干个预测值对预测的相对误差进行综合评价；Theil不等系数的取值在0，1之间。“0”表示100%的拟合。误差均方根可以分为偏倚比率、方差比率和斜方差比率三个部分。其中，偏倚比率是测量均值和真实均值之差的平方占误差均方的比率,方差比率是和的分布偏倚标准差之差的平方占误差均方的比率,斜方差比率是2（1-r）倍的测量值和真实值分布的偏倚标准差之积占误差均方的比率。数据分析（一）、样本选取与基本统计分析本文选取我国“沪深港”具有代表性的上证指数（000001）、深证成指（399001）、沪深300股指（020011）和香港恒生指数（HSI）作为考察对象。数据选取从2002年01月04至2008年09月12日中节假日除外的日收盘价作为观测值（日收盘价数据来源于wind数据库），共得到1621个沪深指数数据和1654个恒生指数数据。为了对各种模型的预测能力进行对比，取前1601个沪深指数数据和1634个恒生指数数据作为模型拟合估计样本后20个深指数数据和香港数据作为预测评价。样本数据均为实行涨跌停板制度以后的数据有关涨跌停板制度对沪深股市不同期限股指收益率波动性的影响，我国学者靳庭良和喻东（2004、2005）做了很好的研究。。有关涨跌停板制度对沪深股市不同期限股指收益率波动性的影响，我国学者靳庭良和喻东（2004、2005）做了很好的研究。为减少误差,为第t个交易日,假定某种股票的收盘价已做过除权、除息处理,则将日收益率转化为对数百分收益率序列有:。为t时期收益率。这种收益率相当于将收益数据作一个对数变换后再做一个差分,这在统计中变换数据常用到。本文采用这种方法计算股票市场的收益率。文章使用EVIEWS5.0软件作参数估计和假设检验。各股指数据样本的基本统计特征为：表1各股指数据样本的基本统计特征统计量上证综指深圳成指沪深300香港恒指收盘价对数序列1.均值2.标准差3.偏斜度4.峰度5.Jarque-Bera7.5202460.4645711.1021472.955096325.6819（0.0000）8.4512920.6070211.1866112.823967379.4325（0.0000）7.3549440.5490791.1366642.874765347.308（0.0000）9.5984220.3202030.3427192.16567779.71982（0.0000）收益对数差分序列L1.均值L2.标准差L3.偏斜度L4.峰度L5.Jarque-Bera0.0232711.719717-0.1912886.8813871018.539（0.0000）0.0543921.868229-0.1565266.348987757.5477（0.0000）0.0354021.778509-0.2406916.816571990.8457（0.0000）0.035821.308242-0.0735588.5936212139.533（0.0000）注：Jarque-Bera统计量的括号内5%的显著性水平下的P值。如表1所示,在统计期间内上证综指、深圳成指、沪深300以及香港恒生指数的收益率均值（L1）均为正,深圳成指的均值显示为最大;与之相对应的深圳成指收益的标准值最大,即深圳的收益波动是最大的从收益—标准差的角度来看，深圳成指相对来说具有高风险高收益的特点;从偏度（L3）来看各指数都向左偏幅度几乎一样，香港恒生的左偏程度最小;从峰度来看（L4）各股指的峰度很大，都远大于正态分布的3说明都具有高峰厚尾性；其中恒生指数的风度是最大的。从Jarque-Bera统计量看拒绝了正态分布的原假设即收益率呈非正态分布。（二）、ARCH效应的检验在进行ARCH模型族的探讨之前,首先我们要检验所用数据是否有ARCH效应。检验ARCH可以使用F、LM、LR、W等统计量。本文选常用的单位根和拉格朗日乘数进行检验。1、UnitRootTests检验：如果某时间序列有单位根我们就说它是随机游走而随机游走是非平稳时间序列的一个特例。我们需要将一个非平稳的时间序列经差分成为平稳的时间序列。本文仅以上证综指收盘价对数为例进行平稳性的图形判断。如图2所示上证指数的收盘价对数(OSHANG)看起来趋势不平稳是一个非平稳系列可能有单位根。相反上证指数收益（SYSHANG）的一阶差分看上去趋势平稳似乎接近白噪音是一个平稳系列。通过分析初步认定上证指数收益为一阶或二阶的自回归过程。图2上证指数收盘价对数及其差分的平稳性检验我们采用增广迪基-富勒(ADFAugmentedDickey-Fuller)检验证明这个结论。建立AR(1)模型：。其中，和为参数为白噪音。如果-1<<1是一个平稳的时间序列;如果=1是不平稳的序列(一个带漂移的随机游走)。即它的方差随着时间的增加而增加；如果||>1那么这是一个发散的时间序列。我们检验它是否为平稳的时间序列的虚拟假设是::=1;对立假设是::<1。表2各股指收益率数据的ARCH效应检验统计量上证综指深圳成指沪深300香港恒指ADF检验t-统计量-40.04347（0.0000）-11.15795（0.0000）-39.07146（0.0000）-7.413758（0.0000）临界值-2.566403*-1.941021**-1.616567***-3.434242*-2.863146**-2.567673***-3.434217*-2.863135**-2.567667***-2.566395*-1.941020**-1.616567***（系数）-0.999451-0.860939-0.975152-0.964008（截距项）0.023845(0.5788)0.058571(0.2094)0.035223(0.4277)0.042798(0.1966)AIC值D-W值3.9234492.0001254.0797412.0006713.9910481.9994213.3966961.998437ARCH–LM检验F-统计量16.064[3](0.0000)46.89932

(0.0000)23.217[7](0.0000)88.03477(0.0000)20.874[5](0.0000)98.32271(0.0000)28.721[15](0.0000)343.0845(0.0000)注：*表示在1%的显著性水平上显著。**表示在5%的显著性水平上显著。***表示在10%的显著性水平上显著。圆括号内为5%的显著性水平下的P值，方括号内为滞后阶数。检验中根据AIC最小化准则对滞后的阶数和是否有无截距项和趋势项进行选择。事实上，检验结果对滞后阶数不敏感滞后阶数的选择是不重要的(范剑青,姚琦伟,2005)。在ADF单位根检验部分,表中各指数对数的一阶差分的ADF检验统计量都大于(绝对值)它们对应的5%的临界值。所以在5%的水平上拒绝虚拟假设:=1。各指数收益的一阶差分不存在单位根,这些序列均为平稳序列。各股指相应的DW值分别在2附近,说明序列的各自相邻残差之间不相关。其中系数的P值没有显著性不是很理想说明了ARCH模型的一些局限性,因而有必要进一步建立GARCH等模型。2、自回归条件异方差性-拉格朗日乘数检验(ARCH-LMtest)我们进一步采用ARCH-LM检验来测试各指数收益的一阶差分的时间序列中是否有ARCH效应。限于篇幅只列出所有AR项系数的值。ARCH-LM检验的虚拟假设为::；对立假设::中至少一个.i=1…P。表中可见，对上证指数的一阶差分而言，F-统计量和LM的值大于卡方的值拉格朗日乘数的P值是0.0000，小于它对应的临界值0.05。所以，我们不能在5%的水平上拒绝虚拟假设(：没有ARCH效应),也就是说在各指数收益差分的时间序列存在ARCH效应即存在自回归条件异方差。（三）、模型拟合下面分别用GARCH(11)模型、GARCH-M模型、EGARCH(11)模型和TGARCH模型来分析各股指收益对数的变化量。表3、表4、表5和表6分别为拟合结果：1.GARCH（1，1）模型的拟合表3各指数GARCH(11)模型拟合GARCH拟合：上证指数深圳成指沪深300香港恒指A均值方程参数（常数）（系数）0.021801（0.4926）0.012145（0.6308）-1.000045（0.0000）0.017704（0.5824）0.027670（0.2813）0.057130（0.0208）0.019862（0.4534）B方差方程参数（常数）(系数)(系数)0.031815（0.0009）0.086217（0.0000）0.907653（0.0000）5.15E-06（0.0000）0.091791（0.0000）0.896255（0.0000）0.032734（0.0009）0.089324（0.0000）0.904531（0.0000）0.010737（0.0048）0.052575（0.0000）0.940900（0.0000）C检验指标AICSICDW-0.0001403.7097183.7264732.0231650.999053-5.352316-5.3389191.9102380.0005143.7376273.7543812.004785-0.0020493.0922463.1087252.103471D残差检验调整FQ0.146978(0.7014)0.146808(0.7016)0.7402[2](0.6910)0.132（0.9360）0.066（0.9370）5.5166[1]（0.0190）0.191049（0.9088）0.095357（0.0953）0.4560[2]（0.7960）1.666305（0.4346）0.832473（0.4351）0.0035[1]（0.9530）注：圆括号内为各个参数的P值；方括号内为滞后阶数。在均值方程式中常量和的系数总是很小并且在置信界限以外但这并不影响模型的估计。在GARCH模型拟合的均值方程式中各个股指的所有的估计值都落在置信界限之外。其中深圳成指由于其均值方程不使用参数后的拟合效果要优于使用C参数后的效果，所以采用不设置参数的方法。A、B区的均值方程和方差方程的参数都显著不等于零。从均值方程ARCH(1)的系数可见，其符合一般的收益率与波动性的原则，即呈正相关的关系波动性越大，则需要的收益率也就越高。以香港恒指为例，其系数增加0.06%，说明波动性增加1%，收益将增加0.57%;在GARCH方程中各个系数也都显著不等于零。因此，香港恒指的收益率的波动性与前一期的波动性有关，同时也与前一期的收益对收益平均值的偏差有关，ARCH(1)和GARCH(1)的决定系数、分别为：0.94和0.05,各个P值明显小于0.05，说明GARCH方程的参数值设置的比较成功。、均显著不为零，表明价格波动在很大程度上由过去的价格振荡和误差决定日收益率序列具有很强的波动集聚性。另外+=0.94+0.05=0.99,非常接近于1表明，香港恒生股指收益波动具有很强的持续性。其它股指收益波动性的相关参数的拟合结果（特别是深证成指）和香港恒指收益波动性的拟合结果一样,效果都比较好。限于篇幅这里不一一解释。根据C区拟合方程的检验指标，上证指数和香港恒指的显示为比较小的负数,说明这两个指数的GARCH(11)的拟合不是特别成功,以下我们将进一步重点探讨适合它们的模型;与之相反的是深圳成指的显示很好达到了0.999以上,综合深圳成指的其他参数，我们可见GARCH模型非常适合深圳成指波动性的拟合研究。除此之外的各个指数GARCH拟合模型的AICSIC值均达到最小,即该方程为类似拟合方程的最优化并且DW在2左右很小的的范围波动说明其自相关指标也较符合要求。对模型拟合后的D区显示的残差序列进行ARCH-LM检验,LM和F统计量都显得足够的小。因此方程拟合后的残差序列已不存在条件异方差性。而且P显示显示很大,说明拒绝了存在ARCH效应的可能性。Q统计量足够小显示了残差序列不存在自相关性模型拟合基本合适，深圳成指表现的稍微差一些，但是它的相关和自相关系数都非常小。2.GARCH-M模型拟合表4各指数GARCH-M模型拟合GARCH-M拟合上证指数深圳成指沪深300香港恒指A均值方程参数（系数）系数0.022566(0.3171)0.012333(0.6260)0.160943(0.0706)0.999754(0.0000)0.022536(0.3194)0.027919(0.2777)0.054122(0.0226)0.019931(0.4517)B方差方程参数（常数）（系数）（系数）0.032064(0.0009)0.087484（0.0000）0.90659（0.0000）0.0000055（0.0000）0.095807（0.0000）0.891756（0.0000）0.032806(0.0062)0.090254（0.0000）0.903806（0.0000）0.010375(0.0010)0.051906（0.0000）0.941961（0.0000）C检验指标AICSICDW-0.000053.7098193.7265742.0231840.999054-5.352848-5.3361021.9065820.0009283.7374793.7542332.005487-0.0025993.0920483.1085272.101867D残差检验调整FQ0.184886（0.6672）0.184677（0.6674）0.7324[1]（0.6930）0.169635（0.9180）0.084668（0.9188）5.4694[1]（0.0190）0.04401（0.8339）0.043956（0.8338）0.4674[2]（0.7920）1.787171（0.4091）0.892923（0.4096）0.0035[1]（0.9530）注：圆括号内为各个参数的P值；方括号内为滞后阶数。表4显示各个系数也都显著不为零。可见各股指市场收益率波动性与前一期的波动性有关，同时也与前一期的收益对收益平均值的偏差有关。以深圳成指为例，两者的决定系数和分别为：0.8917和0.0958,两者之和接近1。但大部分关联还在于,即与前一期的波动性有很大关系。C、D区的检验指标AIC、DW等基本和GARCH(11)模型相应的指标反应一样，基本说明了GARCH-M模型也对这几个股指进行了较好的拟合。3.EGARCH模型拟合表5各指数EGARCH模型拟合EGARCH拟合：上证指数深圳成指沪深300香港恒指A均值方程参数C系数-0.000909(0.9783)0.004072(0.8632)0.001761(0.7714)0.999827(0.0000)0.003952(0.9077)0.030616(0.2090)0.059894(0.0144)0.011054(0.6769)B方差方程参数（常数）(系数)(系数)（系数）-0.122258(0.0000)0.18151(0.0000)-0.027447(0.0019)0.986224(0.0000)-0.245102(0.0000)0.176732(0.0000)-0.018716(0.0477)0.986212(0.0000)-0.124014(0.0165)0.179922(0.0000)-0.021562(0.0000)0.988589(0.0000)-0.089064(0.0000)0.122206(0.0000)-0.046564(0.0005)0.988239(0.0000)C检验指标AICSICDW-0.0002193.6967723.7168782.006980.999053-5.35968-5.3395851.9098940.0002793.7266433.7467482.010162-0.0012493.0658643.0889352.086038D残差检验调整FQ0.57077[2](0.7517)0.284955(0.7520)1.2930[2](0.5240)0.17031[1](0.6798)0.170125(0.6800)5.6472[2](0.0590)0.00039[2](0.9840)0.000399(0.9840)0.3506[2](0.8390)5.4157[3](0.0666)2.711899(0.0667)0.2546[2](0.8800)注：圆括号内为各个参数的P值；方括号内为滞后阶数。表5中，B区系数有显著性,则股指收益存在很明显的非对称性。以沪深300为例,其波动性对正的冲击的反应系数为：+＝0.179922＋（-0.021562）＝0.15836；对负的冲击的反应系数为：-+＝－0.179922＋（-0.021562）＝－0.201484;可见沪深指数收益中负的冲击的影响力要大于正的冲击的影响力,这也是我国证券市场上涨慢而下跌快的现象相吻合。其他市场的也一样。相较而言,恒指对正冲击的反应（0.0756）小于其他三个市场对正冲击的反应,其次为上证指数。上证市场对负冲击的反应比其他三个股指大，为0.2089。其次为沪深300。D区LM和F的检验值分别达到了足够小的水平,它保证了残差序列不再存在条件异方差性；对残差序列是否存在自回归性的Q统计量也显示非常小,因而残差序列不存在自回归性。因此，EGARCH方程比较好的拟合了各指数的波动性。4.TGARCH模型拟合表6各指数TGARCH模型拟合TGARCH拟合：上证指数深圳成指沪深300香港恒指A均值方程参数C系数0.000302（0.9929）0.017435(0.4909)1.002354（0.0033）-0.019205(0.0000)0.000746（0.9817）0.024206(0.3477)0.05701（0.0207）0.013487(0.614)B方差方程参数（常数）（系数）（系数)（系数）0.034469(0.0006)0.060758(0.0000)0.050753(0.0002)0.907107(0.0000)0.00000634(0.0044)0.056165(0.0002)0.056786(0.0161)0.900528(0.0000)0.042949(0.0088)0.056828(0.0001)0.055304(0.0147)0.905821(0.0000)0.014978(0.0090)0.024165(0.0463)0.05685(0.0007)0.937454(0.0000)C检验指标AICSICDW-0.0004733.7053153.725422.033130.999046-5.403894-5.380451.9002450.0002413.6832113.7066671.997404-0.0013953.0662083.0892792.09098D残差检验调整FQ0.54085[2](0.7630)0.27001(0.7634)0.5967[3](0.7420)0.55919[2](0.4545)0.558689(0.4548)5.6796[2](0.0580)0.258517[3](0.9676)0.085971(0.9677)0.8277[2](0.6610)3.871363[2](0.0492)3.866945(0.0492)0.1628[3](0.9220)注：圆括号内为各个参数的P值；方括号内为滞后阶数。表6中显示B区不对称项的系数均是高度显著的,这和EGARCH模型的结果基本一致。系数估计的显著性表明了反向冲击比正向冲击会导致更高的下一期条件方差。其中香港恒指的系数最大达到了0.05685,其次为深圳成指的不对称项的系数。C、D区的检验结果显示较好基本符合拟合效果的要求。四、波动性的预测效果的评价找到拟合模型后，使用各自相对应的模型对波动率进行预测及评价。鉴于华尔街风暴对全球股市狂跌的影响，为了预测更准，本文避开这段股市异常低迷时期，将数据选取到9月12日。基于各收益对应的模型拟合效果，经过多次筛选本文选GARCH-M和TGARCH模型对上证指数和恒指收益进行预测；GARCH(11)和EGARCH模型对深圳成指和沪深300进行预测。再根据前文提到的RMSE、MAE、MAPE和Theil不等系数四个评价指标，对各自的预测结果进行综合评价。结果为：表7GARCH类模型预测效果评价模型RMSEMAEMAPETheil不等系数选择GARCH(11)沪深3000.0810050.0672970.8735720.0052140深圳成指0.0719860.0596380.6528950.0039160EGARCH沪深3000.0799760.066370.8615480.0051481深圳成指0.0712810.0589410.6452760.0038781GARCH-M上证0.0583160.048370.6112950.0036650恒指0.1441880.1347811.4979960.0079370TGARCH上证0.0428040.0340730.4307350.0026931恒指0.1434980.1341351.4908170.0078991注：选择项中“1”表示预测相对较好选择该模型;“0”表示预测相对较差,放弃该模型。利用Eviews5.0软件得到了预测指标。从损失函数看表7中为MSE,MAERMSE以及MAPE等4个损失函数的方差。沪深指数相关预测模型的RMSE、MAE值显示的非常好最大的值也不超过0.081005MAPE值也显示较好最大的不超过0.8735。Theil不等系数大于0但不超过1,其理想值为0。当Theil不等系数值为0时模型预测效果最佳；当Theil不等系数值为1时，模型预测效果最差。而从得出的数据又可以看到这些预测方程的Theil不等系数值最大的不超过0.0052。这个接近于0的值说明，我们得到的方程拟合很好，具有良好的预测功能，模型系统基本稳定，基本上不存在系统误差。综合来看GARCH模型族的各个损失函数的方差较小，说明其预测能力较好。分别来看EGARCH模型对沪深300的股指波动预测要好于GARCH(11)，故选择了EGARCH模型对其预测。同理，分别选择了EGARCH对深圳成指TGARCH对上证指数和香港恒指的预测。而这个结论也强有力地证明了反应不对称性的TGARCH和EGARCH模型在预测中要好于另两个模型。五、结论本文用GARCH模型对股价波动率进行预测评估。结论如下：第一，我国沪深港地区主要股指收益的统计显著性和ARCH效应的检验表现出明显的尖峰后尾特征和ARCH效应，这是建立GARCH模型的基础；第二，总的来看GARCH模型族对我国沪深主要股指的拟合相对比较成功。其中深圳成指的预测是最好的；第三，EGARCH模型和TGARCH模型中不对称项的结果显示，股指市场上存在明显的杠杆效应。两个模型对股价波动性描述成功；第四，对拟合模型的样本外预测通过损失函数的四个指标显示对我国沪深港主要股指收益波动性的预测比较成功。【参考文献】[1]BaoRongChangHsiuFenTsai.Forecastapproachusingneuralnetworkadaptationtosupportvectorregressiongreymodelandgeneralizedauto-regressiveconditionalheteroscedasticity[J]ExpertSystemswithApplications342008,925–934[2]Yi-HsienWang.Nonlinearneuralnetworkforecastingmodelforstockindexoptionprice:HybridGJR–GARCHapproach[J]ExpertSystemswithApplications2007.[3]SamreenFatimaGhulamHussain.StatisticalmodelsofKSE100indexusinghybridfinancialsystems[J]Neurocomputing712008,2742–2746[4]Shian-ChangHuang.IntegratingGA-basedtime-scalefeatureextractionswithSVMsforstockindexforecasting[J]ExpertSystemswithApplications352008，2080–2088[5]J.ZhangD.Gu´eganPricingbivariateoptionunderGARCHprocesseswithtime-varyingcopulaInsurance[J]MathematicsandEconomics42,2008,1095–1103.[6]LiuY.LugerR.Efficientestimationofcopula-GARCHmodels[J]Computation--nalStatisticsandDataAnalysis2008.[7]XibinZhangMaxwellL.KingBox-Coxstochasticvolatilitymodelswithheavy-tailsandcorrelatederrors[J]JournalofEmpiricalFinance15,2008,549–566[8]Jung-SukYuM.KabirHassan.GlobalandregionalintegrationoftheMiddleEastandNorthAfrican(MENA)stockmarkets[J]TheQuarterlyReviewofEconomicsandFinance48,2008，482–504[9]MartinT.Institutionalinvestorsandstockreturnsvolatility:Empiricalevidencefromanaturalexperiment[J]JournalofFinancialStability,20080,2.003[10]MichaelD.Evidenceofanasymmetryintherelationshipbetweenvolatilityandautocorrelation.International[J]ReviewofFinancialAnalysis,16,2007,22–40[11]CelsoBrunettiChiaraScottiRobertoS..MarkovswitchingGARCHmodelsofcurrencyturmoilinSoutheastAsia.[J]EmergingMarketsReview2008,02.005[12]BowdenNicholas.ShortTermForecastingofElectricityPricesforMISOHubs:EvidencefromARIMA-EGARCHModelsEnergyEconomics.2008.[13]邹宏元译ChrisBrooks[英]著金融计量经济学导论[B]西南财经大学出版2005,6.[14]周爱民金融计量学[B]现代金融理论前沿丛书经济管理出版社2006,1.[15]张晓峒Eviews使用指南与案例[B]机械工业出版社2007,2.附录资料：不需要的可以自行删除

Excel表格的基本操作教程Excel快捷键和功能键Ctrl组合快捷键按键说明Ctrl+(取消隐藏选定范围内所有隐藏的行。Ctrl+)取消隐藏选定范围内所有隐藏的列。Ctrl+&将外框应用于选定单元格。Ctrl+_从选定单元格删除外框。Ctrl+~应用“常规”数字格式。Ctrl+$应用带有两位小数的“货币”格式（负数放在括号中）。Ctrl+%应用不带小数位的“百分比”格式。Ctrl+^应用带有两位小数的“指数”格式。Ctrl+#应用带有日、月和年的“日期”格式。Ctrl+@应用带有小时和分钟以及AM或PM的“时间”格式。Ctrl+!应用带有两位小数、千位分隔符和减号(-)（用于负值）的“数值”格式。Ctrl+-显示用于删除选定单元格的“删除”对话框。Ctrl+*选择环绕活动单元格的当前区域（由空白行和空白列围起的数据区域）。在数据透视表中，它将选择整个数据透视表。Ctrl+:输入当前时间。Ctrl+;输入当前日期。Ctrl+`在工作表中切换显示单元格值和公式。Ctrl+'将公式从活动单元格上方的单元格复制到单元格或编辑栏中。Ctrl+"将值从活动单元格上方的单元格复制到单元格或编辑栏中。Ctrl++显示用于插入空白单元格的“插入”对话框。Ctrl+1显示“单元格格式”对话框。Ctrl+2应用或取消加粗格式设置。Ctrl+3应用或取消倾斜格式设置。Ctrl+4应用或取消下划线。Ctrl+5应用或取消删除线。Ctrl+6在隐藏对象、显示对象和显示对象占位符之间切换。Ctrl+7显示或隐藏“常用”工具栏。Ctrl+8显示或隐藏大纲符号。Ctrl+9隐藏选定的行。Ctrl+0隐藏选定的列。Ctrl+A选择整个工作表。如果工作表包含数据，则按Ctrl+A将选择当前区域。再次按Ctrl+A将选择整个工作表。当插入点位于公式中某个函数名称的右边时，则会显示“函数参数”对话框。当插入点位于公式中某个函数名称的右边时，按Ctrl+Shift+A将会插入参数名称和括号。Ctrl+B应用或取消加粗格式设置。Ctrl+C复制选定的单元格。如果连续按两次Ctrl+C，则会显示MicrosoftOffice剪贴板。如果工作表包含数据，则按Ctrl+A将选择当前区域。再次按Ctrl+A将选择整个工作表。当插入点位于公式中某个函数名称的右边时，则会显示“函数参数”对话框。当插入点位于公式中某个函数名称的右边时，按Ctrl+Shift+A将会插入参数名称和括号。Ctrl+B应用或取消加粗格式设置。Ctrl+C复制选定的单元格。如果连续按两次Ctrl+C，则会显示MicrosoftOffice剪贴板。Ctrl+D使用“向下填充”命令将选定范围内最顶层单元格的内容和格式复制到下面的单元格中。Ctrl+F显示“查找”对话框。按Shift+F5也会显示此对话框，而按Shift+F4则会重复上一次“查找”操作。Ctrl+G显示“定位”对话框。按F5也会显示此对话框。Ctrl+H显示“查找和替换”对话框。Ctrl+I应用或取消倾斜格式设置。Ctrl+K为新的超链接显示“插入超链接”对话框，或为选定的现有超链接显示“编辑超链接”对话框。Ctrl+L显示“创建列表”对话框。Ctrl+N创建一个新的空白文件。Ctrl+O显示“打开”对话框以打开或查找文件。按Ctrl+Shift+O可选择所有包含批注的单元格。Ctrl+P显示“打印”对话框。Ctrl+R使用“向右填充”命令将选定范围最左边单元格的内容和格式复制到右边的单元格中。Ctrl+S使用其当前文件名、位置和文件格式保存活动文件。Ctrl+U应用或取消下划线。Ctrl+V在插入点处插入剪贴板的内容，并替换任何选定内容。只有在剪切或复制了对象、文本或单元格内容后，才能使用此快捷键。Ctrl+W关闭选定的工作簿窗口。Ctrl+X剪切选定的单元格。Ctrl+Y重复上一个命令或操作（如有可能）。Ctrl+Z使用“撤消”命令来撤消上一个命令或删除最后键入的条目。显示了自动更正智能标记时，按Ctrl+Shift+Z可使用“撤消”或“重复”命令撤消或恢复上一次自动更正操作。功能键按键说明F1显示“帮助”任务窗格。按Ctrl+F1可关闭并重新打开当前任务窗格。按Alt+F1可创建当前范围中数据的图表。按Alt+Shift+F1可插入新的工作表。F2编辑活动单元格并将插入点放在单元格内容的结尾。如果禁止在单元格中进行编辑，它也会将插入点移到编辑栏中。按Shift+F2可编辑单元格批注。F3将定义的名称粘贴到公式中。按Shift+F3将显示“插入函数”对话框。F4重复上一个命令或操作（如有可能）。按Ctrl+F4可关闭选定的工作簿窗口。F5显示“定位”对话框。按Ctrl+F5可恢复选定工作簿窗口的窗口大小。F6切换到已拆分（“窗口”菜单，“拆分”命令）的工作表中的下一个窗格。按Shift+F6可切换到已拆分的工作表中的上一个窗格。如果打开了多个工作簿窗口，则按Ctrl+F6可切换到下一个工作簿窗口。F7显示“拼写检查”对话框，以检查活动工作表或选定范围中的拼写。如果工作簿窗口未最大化，则按Ctrl+F7可对该窗口执行“移动”命令。使用箭头键移动窗口，并在完成时按Esc。F8打开或关闭扩展模式。在扩展模式中，“EXT”将出现在状态行中，并且按箭头键可扩展选定范围。通过按Shift+F8，您可以使用箭头键将非邻近单元格或范围添加到单元格的选定范围。当工作簿未最大化时，按Ctrl+F8可执行“大小”命令（在工作簿窗口的“控制”菜单上。按Alt+F8可显示用于运行、编辑或删除宏的“宏”对话框。F9计算所有打开的工作簿中的所有工作表。如果先按F9再按Enter（对于数组公式则按Ctrl+Shift+Enter），则会计算选定的公式部分，并将选定部分替换为计算出的值。按Shift+F9可计算活动工作表。按Ctrl+Alt+F9可计算所有打开的工作簿中的所有工作表，不管它们自上次计算以来是否已更改。如果按Ctrl+Alt+Shift+F9，则会重新检查相关公式，然后计算所有打开的工作簿中的所有单元格，其中包括未标记为需要计算的单元格。按Ctrl+F9可将工作簿窗口最小化为图标。F10选择菜单栏或同时关闭打开的菜单和子菜单。按Shift+F10可显示选定项目的快捷菜单。按Alt+Shift+F10可显示智能标记的菜单或消息。如果存在多个智能标记，按该组合键可切换到下一个智能标记并显示其菜单或消息。按Ctrl+F10可最大化或还原选定的工作簿窗口。F11创建当前范围内数据的图表。按Shift+F11可插入一个新工作表。按Alt+F11将打开VisualBasic编辑器，您可以在其中通过使用VisualBasicforApplications(VBA)来创建宏。按Alt+Shift+F11将打开Microsoft脚本编辑器，您可以在其中添加文本、编辑HTML标记以及修改任何脚本代码。F12显示“另存为”对话框。其他有用的快捷键按键说明箭头键在工作表中上移、下移、左移或右移一个单元格。按Ctrl+箭头键可移动到工作表中当前数据区域（数据区域：包含数据的单元格区域，该区域周围为空白单元格或数据表边框。）的边缘。按Shift+箭头键可将单元格的选定范围扩大一个单元格。按Ctrl+Shift+箭头键可将单元格的选定范围扩展到与活动单元格同一列或同一行中的最后一个非空白单元格。当菜单处于可见状态时，按向左键或向右键可选择左边或右边的菜单。当子菜单处于打开状态时，按这些箭头键可在主菜单和子菜单之间切换。当菜单或子菜单处于打开状态时，按向下键或向上键可选择下一个或上一个命令。在对话框中，按箭头键可在打开的下拉列表中的各个选项之间移动，或在一组选项的各个选项之间移动。按Alt+向下键可打开选定的下拉列表。Backspace在编辑栏中删除左边的一个字符。也可清除活动单元格的内容。Delete从选定单元格中删除单元格内容（数据和公式），而不会影响单元格格式或批注。在单元格编辑模式下，按该键将会删除插入点右边的字符。End当ScrollLock处于开启状态时，移动到窗口右下角的单元格。当菜单或子菜单处于可见状态时，也可选择菜单上的最后一个命令。按Ctrl+End可移动到工作表上的最后一个单元格，即所使用的最下方一行与所使用的最右边一列的交汇单元格。按Ctrl+Shift+End可将单元格的选定范围扩展到工作表上所使用的最后一个单元格（右下角）。Enter从单元格或编辑栏中完成单元格输入，并（默认）选择下面的单元格。在数据表单中，按该键可移动到下一条记录中的第一个字段。打开选定的菜单（按F10激活菜单栏），或执行选定命令的操作。在对话框中，按该键可执行对话框中默认命令按钮（带有突出轮廓的按钮，通常为“确定”按钮）的操作。按Alt+Enter可在同一单元格中另起一个新行。按Ctrl+Enter可使用当前条目填充选定的单元格区域。按Shift+Enter可完成单元格输入并选择上面的单元格。Esc取消单元格或编辑栏中的输入。按该键也可关闭打开的菜单或子菜单、对话框或消息窗口。Home移到工作表中某一行的开头。当ScrollLock处于开启状态时，移到窗口左上角的单元格。当菜单或子菜单处于可见状态时，选择菜单上的第一个命令。按Ctrl+Home可移到工作表的开头。按Ctrl+Shift+Home可将单元格的选定范围扩展到工作表的开头。PageDown在工作表中下移一个屏幕。按Alt+PageDown可在工作表中向右移动一个屏幕。按Ctrl+PageDown可移到工作簿中的下一个工作表。按Ctrl+Shift+PageDown可选择工作簿中的当前和下一个工作表。PageUp在工作表中上移一个屏幕。按Alt+PageUp可在工作表中向左移动一个屏幕。按Ctrl+PageUp可移到工作簿中的上一个工作表。按Ctrl+Shift+PageUp可选择工作簿中的当前和上一个工作表。空格键在对话框中，执行选定按钮的操作，或者选中或清除复选框。按Ctrl+空格键可选择工作表中的整列。按Shift+空格键可选择工作表中的整行。按Ctrl+Shift+空格键可选择整个工作表。如果工作表包含数据，则按Ctrl+Shift+空格键将选择当前区域。再按一次Ctrl+Shift+空格键将选择整个工作表。当某个对象处于选定状态时，按Ctrl+Shift+空格键可选择工作表上的所有对象。按Alt+空格键可显示Excel窗口的“控制”菜单。Tab在工作表中向右移动一个单元格。在受保护的工作表中，可在未锁定的单元格之间移动。在对话框中，移到下一个选项或选项组。按Shift+Tab可移到前一个单元格（在工作表中）或前一个选项（在对话框中）。在对话框中，按Ctrl+Tab可切换到下一个选项卡。在对话框中，按Ctrl+Shift+Tab可切换到前一个选项卡。Excel表格的基本操作教程

也许你已经在Excel中完成过上百张财务报表，也许你已利用Excel函数实现过上千次的复杂运算，也许你认为Excel也不过如此，甚至了无新意。但我们平日里无数次重复的得心应手的使用方法只不过是Excel全部技巧的百分之一。本专题从Excel中的一些鲜为人知的技巧入手，领略一下关于Excel的别样风情。

一、让不同类型数据用不同颜色显示

在工资表中，如果想让大于等于2000元的工资总额以“红色”显示，大于等于1500元的工资总额以“蓝色”显示，低于1000元的工资总额以“棕色”显示，其它以“黑色”显示，我们可以这样设置。1.打开“工资表”工作簿，选中“工资总额”所在列，执行“格式→条件格式”命令，打开“条件格式”对话框。单击第二个方框右侧的下拉按钮，选中“大于或等于”选项，在后面的方框中输入数值“2000”。单击“格式”按钮，打开“单元格格式”对话框，将“字体”的“颜色”设置为“红色”。2.按“添加”按钮，并仿照上面的操作设置好其它条件(大于等于1500，字体设置为“蓝色”；小于1000，字体设置为“棕色”)。3.设置完成后，按下“确定”按钮。看看工资表吧，工资总额的数据是不是按你的要求以不同颜色显示出来了。

Excel表格的基本操作教程六、让数据按需排序如果你要将员工按其所在的部门进行排序，这些部门名称既的有关信息不是按拼音顺序，也不是按笔画顺序，怎么办?可采用自定义序列来排序。1.执行“格式→选项”命令，打开“选项”对话框，进入“自定义序列”标签中，在“输入序列”下面的方框中输入部门排序的序列(如“机关,车队,一车间,二车间,三车间”等)，单击“添加”和“确定”按钮退出。2.选中“部门”列中任意一个单元格，执行“数据→排序”命令，打开“排序”对话框，单击“选项”按钮，弹出“排序选项”对话框，按其中的下拉按钮，选中刚才自定义的序列，按两次“确定”按钮返回，所有数据就按要求进行了排序。二、建立分类下拉列表填充项我们常常要将企业的名称输入到表格中，为了保持名称的一致性，利用“数据有效性”功能建了一个分类下拉列表填充项。1.在Sheet2中，将企业名称按类别(如“工业企业”、“商业企业”、“个体企业”等)分别输入不同列中，建立一个企业名称数据库。2.选中A列(“工业企业”名称所在列)，在“名称”栏内，输入“工业企业”字符后，按“回车”键进行确认。仿照上面的操作，将B、C……列分别命名为“商业企业”、“个体企业”……3.切换到Sheet1中，选中需要输入“企业类别”的列(如C列)，执行“数据→有效性”命令，打开“数据有效性”对话框。在“设置”标签中，单击“允许”右侧的下拉按钮，选中“序列”选项，在下面的“来源”方框中，输入“工业企业”，“商业企业”，“个体企业”……序列(各元素之间用英文逗号隔开)，确定退出。再选中需要输入企业名称的列(如D列)，再打开“数据有效性”对话框，选中“序列”选项后，在“来源”方框中输入公式：=INDIRECT(C1)，确定退出。4.选中C列任意单元格(如C4)，单击右侧下拉按钮，选择相应的“企业类别”填入单元格中。然后选中该单元格对应的D列单元格(如D4)，单击下拉按钮，即可从相应类别的企业名称列表中选择需要的企业名称填入该单元格中。提示：在以后打印报表时，如果不需要打印“企业类别”列，可以选中该列，右击鼠标，选“隐藏”选项，将该列隐藏起来即可。三、建立“常用文档”新菜单在菜单栏上新建一个“常用文档”菜单，将常用的工作簿文档添加到其中，方便随时调用。1.在工具栏空白处右击鼠标，选“自定义”选项，打开“自定义”对话框。在“命令”标签中，选中“类别”下的“新菜单”项，再将“命令”下面的“新菜单”拖到菜单栏。按“更改所选内容”按钮，在弹出菜单的“命名”框中输入一个名称(如“常用文档”)。Excel表格的基本操作教程2.再在“类别”下面任选一项(如“插入”选项)，在右边“命令”下面任选一项(如“超链接”选项)，将它拖到新菜单(常用文档)中，并仿照上面的操作对它进行命名(如“工资表”等)，建立第一个工作簿文档列表名称。重复上面的操作，多添加几个文档列表名称。3.选中“常用文档”菜单中某个菜单项(如“工资表”等)，右击鼠标，在弹出的快捷菜单中，选“分配超链接→打开”选项，打开“分配超链接”对话框。通过按“查找范围”右侧的下拉按钮，定位到相应的工作簿(如“工资.xls”等)文件夹，并选中该工作簿文档。重复上面的操作，将菜单项和与它对应的工作簿文档超链接起来。4.以后需要打开“常用文档”菜单中的某个工作簿文档时，只要展开“常用文档”菜单，单击其中的相应选项即可。提示：尽管我们将“超链接”选项拖到了“常用文档”菜单中，但并不影响“插入”菜单中“超链接”菜单项和“常用”工具栏上的“插入超链接”按钮的功能。Excel表格的基本操作教程四、制作“专业符号”工具栏Excel表格的基本操作教程在编辑专业表格时，常常需要输入一些特殊的专业符号，为了方便输入，我们可以制作一个属于自己的“专业符号”工具栏。1.执行“工具→宏→录制新宏”命令，打开“录制新宏”对话框，输入宏名?如“fuhao1”?并将宏保存在“个人宏工作簿”中，然后“确定”开始录制。选中“录制宏”工具栏上的“相对引用”按钮，然后将需要的特殊符号输入到某个单元格中，再单击“录制宏”工具栏上的“停止”按钮，完成宏的录制。仿照上面的操作，一一录制好其它特殊符号的输入“宏”。2.打开“自定义”对话框，在“工具栏”标签中，单击“新建”按钮，弹出“新建工具栏”对话框，输入名称——“专业符号”，确定后，即在工作区中出现一个工具条。切换到“命令”标签中，选中“类别”下面的“宏”，将“命令”下面的“自定义按钮”项拖到“专业符号”栏上(有多少个特殊符号就拖多少个按钮)。3.选中其中一个“自定义按钮”，仿照第2个秘技的第1点对它们进行命名。4.右击某个命名后的按钮，在随后弹出的快捷菜单中，选“指定宏”选项，打开“指定宏”对话框，选中相应的宏(如fuhao1等)，确定退出。重复此步操作，将按钮与相应的宏链接起来。5.关闭“自定义”对话框，以后可以像使用普通工具栏一样，使用“专业符号”工具栏，向单元格中快速输入专业符号了。五、用“视面管理器”保存多个打印页面有的工作表，经常需要打印其中不同的区域，用“视面管理器”吧。1.打开需要打印的工作表，用鼠标在不需要打印的行(或列)标上拖拉，选中它们再右击鼠标，在随后出现的快捷菜单中，选“隐藏”选项，将不需要打印的行(或列)隐藏起来。2.执行“视图→视面管理器”命令，打开“视面管理器”对话框，单击“添加”按钮，弹出“添加视面”对话框，输入一个名称(如“上报表”)后，