实验五-期货最优套期保值率估计

实验五期货套期保值模型一、实验工程：期货套期保值模型二、实验目的1、掌握运用时间序列模型估计中国期货交易的最优套期保值比率的方法；2、掌握评估期货套期比效果的方法；3、找到最正确的套期保值比模型。三、预备知识：〔一〕、关于最优套期比确定方法以空头期货保值为例1．由套期保值收益方差风险达最小得到〔1〕用价格标准差表示风险最小套期比单位现货相应的空头保值收益：Δb〔k〕=b(k)-b0(k)〔两边求方差解出k〕〔2〕用改变量标准差表示风险最小套期比单位现货相应的空头保值收益:Δb〔k〕=Δs-kΔf〔两边求方差解出k〕注意到〔1〕与〔2〕两种最优化方式得到有套期比k是不同的。2．用收益率表示套期保值比率。空头保值收益率〔V为现货市值〕RH=[(V-V0+D)-NF(F-F0)]/V0=(V-V0+D)/V0-(NFF0/V0)[(F-F0)/F0]=RS-h*RF由收益率风险达最小求出套期比3．由对冲原理得到要实现期货与现货完全对冲，必须满足以下风险中性原理(现货与期货组合风险为0)Q*Δf+Q0*Δs=0kΔf+Δs=0k=Q/Q0=-ΔS/ΔF≈-ds/df<0(因同方向变化)上式说明，每单位现货需要k单位期货对冲其风险，负号表示交易方向要相反。ΔS/ΔF或ds/df可通过久期求出。〔二〕计算期货套期保值比率的相关模型虽然上述介绍的h=ρσs/σf可以求最优套期比，但是其操作性不强。首先要求出三个量，然后再计算h，显然误差很大。为了减小误差，使用时间序列模型。1、简单回归模型〔OLS〕上述使方差风险最小求套期比的三种方法对应的三个OLS模型OLS缺乏：上述三个模型假设条件是残差“独立同方差〞，即在残差项具有同方差性的假设下，其回归系数即是要求的最优套期比，但是这一条件太强，在金融市场上难以满足。其中要解决最突出的两个问题〔1〕s与f有协整关系时，OLS所得到的结果小于最优套期比〔2〕三模型残差独立同方差问题。2、协整与误差修正模型〔ECM〕〔1〕期货价格序列与现货价格序列特点1〕二者常常是非平稳的；2〕二者具有两个经济逻辑性：二者有共同的趋势；期货到期时，二者有趋合性。由此，二者存在协整关系，那么用OLS的估计量将是有偏的。Ghosh(1993)通过实证发现，当不恰当地忽略协整关系时，所计算的套期比将小于最优值。3〕研究说明，使用ECM模型比OLS方法能够更有效地对冲现货头寸风险。〔2〕使用ECM模型计算最优套期比的两步估计法第一步：建立协整回归模型要注意在这一协整回归中保存残差：，方便第二步使用。第二步：建立误差修正模型〔ECM，一般模型〕：其实要建立的是ECM简单方程〔*〕修正误差模型〔**〕其中误差修正模型〔**〕只是模型〔*〕的适当变形，这两模型是等价的。与一般的修正误差模型比拟要建立的修正误差模型的简单形式为ECM模型优劣：优点：考虑到s与f有协整关系时，EMC模型比OLS方法能更有效地对冲现货头寸的风险。缺点：还没有解决模型残差异方差问题。3、误差修正二元GARCH模型〔ECM-BGARCH模型〕ECM模型虽然考虑到s与f有协整关系问题，但是还没有解决模型残差异方差问题。特别是金融资产价格、收益率等序列波动常常出现“聚集性〞特征。即资产价格在大的变动后面有大的变动，在小的变动后面有小的变动。这些特征用GARCH模型来描述。注意：一元GARCH模型仅能估计单一变量的条件方差，无法估计序列之间协方差，所以要建立二元GARCH〔B-GARCH〕模型，常用以下两个考虑到误差修正项的模型：一是常相关系数的二元GARCH模型，二是D-BEKK模型。〔1〕常相关系数的二元GARCH模型GARCH模型由均值方程和条件方差方程组成。1〕均值方程2〕GARCH方程为了简单，如果系数矩阵都用对角矩阵，那么条件方差展开可得：最优套期比〔2〕D-BEKK模型1〕均值方程2〕GARCH方程如果系数矩阵都用对角矩阵，那么条件方差展开可得最优套期比〔三〕期货套期保值比率绩效的评估以空头期货套期保值为例，一个以1单位现货多头头寸和h个单位期货空头头寸的套期保值组合，组合价值和组合利润分别为：，因此，空头套期保值组合收益率为空头套期保值〔含多头〕收益率的方差为假设这一方差小，说明经过套期保值后，收益率稳定，保值效果好。四、实验内容〔一〕数据搜集和整理；〔二〕利用时间序列模型估计最优套期比；〔三〕评估最小方差套期比的绩效。五、实验软件环景：Eviews软件。六、实验步骤：〔一〕数据搜集和整理1、搜集数据期货合约在交割前两个月最活泼，使价格信息释放最为充分，更能反映期货合约的真实价值，所以中国企业多用距离交割月份较近的期货合约进行保值。表1上海AL现货期货价格2006年4月3日至2007年4月13日数据单位：元/吨序号期货价f现货价s序号期货价f现货价s序号期货价f现货价s1199301964081189901920016120230214202200601990082189201914016220280213803200201968083189201916016320270215004200101972084191001926016420320214805206202023085191201932016520560214806205902023086189201932016620480214407205902023087185401914016720570214608202602002088185001892016820510213709203602006089184601890016920650213701020420200609018620190401702055021370112082020260911868019300171202902124012205502042092190001956017220480213601321120204809318790196401732058021360142130020820941875019500174207202140015208002070095188401954017520920214301621500212409619150197201761972021440172138021120971927019920177199602124018214002134098191802002017819350209501921470212009919200200201791971020950202128020580100192702032018019970210202122080216401011950020480181198302098022219702168010219670209001821981020860232270021960103205002190018319890207602423470229401042089022800184196102064025237702382010520230225001851943020640262418023500106197102166018619550202302723120229401071920020800187196402023028228202240010819250207201881956019700292184021680109195302068018919500199603021720215601101929020680190195102023031208402078011119300205501911955020230322138020980112194102054019219620203603321880218001131928020500193195702036034217402140011419680206401941951020250352187021720115202302100019519570202303621800217201161992021250196195302000037217902174011719480212501971959019880382114021180118200602135019819890199503920780210001192049021650199198701995040210802058012019970219002001993019900412137020980121199302180020120230202304420820207401222023021700202197601996043207002048012320010215002031979019780442075020760124203102135020419740197604520560202401252099021350205197701962046203502023012620800213202061949019550472032020230127209002128020719620193604819670194401282103021320208196001948049199501968012921280213502091960019600502038020280130207402137021019580195305119650199601312082021260211195701942052198001952013221320214202121951019340531988019720133212102140021319590192405419670198201342036021000214196401942055196501958013519850207002151958019380561978019620136199102034021619610194405719910197601371981020350217195601938058197101960013819780207402181955019370591971019480139204602155021919550193406019510194101402037021650220195401932061197801967014120000213602211935019300621952019510142205002160022219430192706319510194401432023021000223193901924064195201944014420230211602241938019250651965016460145200502116022519240192406619560194001462023021000226192701919067195401946014719810208802271941019240681941019380148197702075022819410193006919080191901491986020950229195901936070190701920015020230210502301986019440711884019020151202302115023119800196607218800190401522035021180232196101951073185901891015320380213802331977019520741842018400154203202136023419670195207518440184201552037021300235761868018520156204202128023677186301860015719990213602377818650186401582030021440238791890018760159202302144023980188101886016020240214402402、建立Eviews工作文件创立工作文件并输入数据File\New\Workfile因为数据是无观测日期的，所以选择Undated-or-irreqular栏：start：1；end：233，OK手工输入数据Quick\EmptyGroup在Ser01输入s列数据；在Ser02输入f列数据；改变量名：点击Ser01全选第一列，在命令栏输入s；点击Ser02全选第二列，在命令栏输入f。将文件保存命名为hr〔二〕运用单方程时间序列模型估计最优套期比1、用OLS模型估计最优套期比〔1〕建立S关于F的回归方程DependentVariable:SMethod:LeastSquaresDate:04/30/11Time:20:35Sample:1234Includedobservations:234VariableCoefficientStd.Errort-StatisticProb.

C3387.983937.25643.6147880.0004F0.8491880.04669418.186210.0000R-squared0.587730

Meandependentvar20414.70AdjustedR-squared0.585953

S.D.dependentvar1035.698S.E.ofregression666.4354

Akaikeinfocriterion15.85027Sumsquaredresid1.03E+08

Schwarzcriterion15.87981Loglikelihood-1852.482

F-statistic330.7382Durbin-Watsonstat0.296083

Prob(F-statistic)0.000000图1S关于F回归方程〔1〕t=〔3.614788〕〔18.18621〕p=〔0.0004〕〔0.0000〕ft系数的p值接近0，回归系数是显著的。回归结果得到每单位现货用0.849188单位期货进行空头保值，即最优套期比是0.849188。结论1：由现货价S关于期货价F回归模型得到的套期比是：0.84918。评价：1〕虽然模型〔1〕系数显著，但模型精度R^2=0.587730离1较远，精度不太高。而且不能排除模型〔1〕是伪回归。2〕这一结论只能保证在保值策略实施前〔建模的样本内〕，模型〔1〕在一定程度上是有效的，不能保证在策略实施期〔样本外〕模型同样有效，所以使用这一结论进行套期保值需要注意到这些情况。〔2〕建立Δst关于Δft的回归方程在工作文件窗口的命令区，生成差分序列，以及Δst，Δft序列：GENRds=s-s(-1)GENRdf=f-f(-1)建立Δst与Δft的OLS简单回归模型最小二乘估计的命令OLS：dscdfDependentVariable:DSMethod:LeastSquaresDate:04/30/11Time:20:40Sample(adjusted):2234Includedobservations:233afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

C0.10853723.082110.0047020.9963DF0.5588040.0755777.3938740.0000R-squared0.191373

Meandependentvar-0.515021AdjustedR-squared0.187872

S.D.dependentvar390.9655S.E.ofregression352.3308

Akaikeinfocriterion14.57556Sumsquaredresid28675647

Schwarzcriterion14.60519Loglikelihood-1696.053

F-statistic54.66937Durbin-Watsonstat2.638061

Prob(F-statistic)0.000000图2ΔS关于ΔF的回归方程〔含常数项〕常数项概率很大，接受常数为0的假设，重新定义方程：OLS：dsdfDependentVariable:DSMethod:LeastSquaresDate:04/30/11Time:20:44Sample(adjusted):2234Includedobservations:233afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

DF0.5588030.0754137.4098920.0000R-squared0.191373

Meandependentvar-0.515021AdjustedR-squared0.191373

S.D.dependentvar390.9655S.E.ofregression351.5707

Akaikeinfocriterion14.56698Sumsquaredresid28675650

Schwarzcriterion14.58179Loglikelihood-1696.053

Durbin-Watsonstat2.638060图3ΔS关于ΔF的回归方程〔不含常数项〕〔2〕t=〔7.409892〕p=〔0.0000〕Δft系数的p值接近0，回归系数是显著的，但每单位现货用0.558803单位期货进行空头保值，即最优套期比是0.558803。可见，分别用套期比公式得到有结果k是不同的：，结论2：由现货价差分ΔS关于期货价差分ΔF回归模型得到的套期比是：0.558803。评价：1〕虽然这一模型系数显著，但模型精度R^2=0.191373，精度非常低。而且也不能排除模型〔2〕是伪回归。2〕结论2只能保证在保值策略实施前〔建模的样本内〕，ΔS与ΔF在一定程度上满足模型〔2〕，不能保证在策略实施期〔样本外〕模型〔2〕同样有效。3〕结论2与结论1相比，结论1是保证在保值策略实施前〔建模的样本内〕，S与F在一定程度上满足模型〔1〕；结论2是保证在保值策略实施前〔建模的样本内〕，ΔS与ΔF在一定程度上满足模型〔2〕。4〕差分模型一般用于分析短期波动情况，所以模型〔2〕在不顾伪回归下，也只用于动态套期保值。2、用ECM模型估计最优套期比〔1〕对f和s分别进行平衡性检验在F页面上，选View\Correlogram\Level，滞后期空格处填写24〔用234除以10近似〕Date:04/30/11Time:20:55Sample:1234Includedobservations:234AutocorrelationPartialCorrelationAC

PAC

Q-Stat

Prob

.|*******|

.|*******|10.9460.946211.990.000

.|*******|

.|.|20.8960.018403.210.000

.|*******|

.|.|30.849-0.007575.380.000

.|******|

.|.|40.798-0.050728.360.000

.|******|

.|.|50.7560.051866.320.000

.|******|

.|*|60.7260.092994.010.000

.|*****|

.|*|70.7060.0901115.20.000

.|*****|

*|.|80.676-0.0921226.90.000

.|*****|

.|.|90.6510.0201331.00.000

.|*****|

.|.|100.625-0.0171427.30.000

.|*****|

.|.|110.594-0.0211514.80.000

.|****|

*|.|120.558-0.0781592.20.000

.|****|

*|.|130.518-0.0581659.20.000

.|****|

.|.|140.480-0.0171717.20.000

.|***|

*|.|150.438-0.0611765.50.000

.|***|

.|.|160.4030.0221806.60.000

.|***|

.|.|170.3760.0421842.50.000

.|***|

*|.|180.343-0.0871872.60.000

.|**|

.|.|190.3150.0211898.10.000

.|**|

*|.|200.283-0.0631918.80.000

.|**|

.|.|210.250-0.0311935.00.000

.|**|

*|.|220.210-0.0601946.50.000

.|*|

.|*|230.1820.0761955.10.000

.|*|

.|.|240.152-0.0391961.20.000图4F序列相关分析图从图4的F序列自相关系数〔AC〕没有很快趋近0，说明序列F是非平稳的。因为期货价格〔资产价格序列〕往往有一定的趋势和截距，所以对ADF单位根检验时，选择同时具有趋势项和常数项的模型。滞后项p要精确确定就是AIC准那么，粗略确定由系统默认。由上面分析，选择模型进行单位检验〔UnitRootTest〕。假设；备择假设。在工作文件窗口，选定变量F，双击它，在F页面上，点击View\UnitRootTest\ADF，表示已经进入扩展的DF检验。在Testforunitrootin中，选择Level(对水平变量进行单位根检验，检验系数对应的项Ft-1)\Trenandinteret(含漂移项和时间趋势项)\，其它选系统默认。NullHypothesis:FhasaunitrootExogenous:Constant,LinearTrendLagLength:0(AutomaticbasedonSIC,MAXLAG=14)t-Statistic

Prob.*AugmentedDickey-Fullerteststatistic-2.759187

0.2141Testcriticalvalues:1%level-3.9979305%level-3.42922910%level-3.138092*MacKinnon(1996)one-sidedp-values.AugmentedDickey-FullerTestEquationDependentVariable:D(F)Method:LeastSquaresDate:04/30/11Time:20:58Sample(adjusted):2234Includedobservations:233afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

F(-1)-0.0627440.022740-2.7591870.0063C1300.498471.05942.7607940.0062@TREND(1)-0.3714370.316004-1.1754170.2410R-squared0.032185

Meandependentvar-1.115880AdjustedR-squared0.023769

S.D.dependentvar306.0687S.E.ofregression302.4093

Akaikeinfocriterion14.27423Sumsquaredresid21033818

Schwarzcriterion14.31867Loglikelihood-1659.948

F-statistic3.824393Durbin-Watsonstat2.024316

Prob(F-statistic)0.023233图5F序列单位根检验期货价格F序列的ADF检验统计量观察值为t=-2.759187，比概率1%、5%和10%对应的三个临界值都大。对应的概率0.2141也比1%、5%和10%都大。所以这次ADF检验接受F非平稳的原假设，即认为F是非平稳的。对F序列一次差分进行ADF检验，与上不同的是在Testforunitrootin中，选择1stdifference(对F序列的一次差分进行单位根检验)，其它都相同。NullHypothesis:D(F)hasaunitrootExogenous:Constant,LinearTrendLagLength:0(AutomaticbasedonSIC,MAXLAG=14)t-Statistic

Prob.*AugmentedDickey-Fullerteststatistic-15.81343

0.0000Testcriticalvalues:1%level-3.9981045%level-3.42931310%level-3.138142*MacKinnon(1996)one-sidedp-values.AugmentedDickey-FullerTestEquationDependentVariable:D(F,2)Method:LeastSquaresDate:04/30/11Time:21:06Sample(adjusted):3234Includedobservations:232afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

D(F(-1))-1.0438060.066008-15.813430.0000C3.41852440.788420.0838110.9333@TREND(1)-0.0436580.301593-0.1447570.8850R-squared0.521985

Meandependentvar-0.991379AdjustedR-squared0.517810

S.D.dependentvar443.0252S.E.ofregression307.6361

Akaikeinfocriterion14.30856Sumsquaredresid21672554

Schwarzcriterion14.35313Loglikelihood-1656.793

F-statistic125.0324Durbin-Watsonstat2.001017

Prob(F-statistic)0.000000图6F序列一次差分单位根检验从图6看到，期货价格F一次差分序列的ADF检验统计量观察值为t=-15.81343，比概率1%、5%和10%对应的三个临界值都小。对应的概率0.0000也比1%、5%和10%都小。所以这次ADF检验拒绝F一次差分序列非平稳的原假设。即认为F一次差分序列是平稳的。所以ΔF~I〔0〕，因此F~I〔1〕。同理检验得到ΔS~I〔0〕，因此S~I〔1〕。〔2〕进行S和F的协整检验由于S和F都是一阶单整的，满足协整检验的前提。由前面已用OLS方法建立了S关于F的回归方程：t=〔3.614788〕〔18.18621〕p=〔0.0004〕〔0.0000〕根据协整检验要求，还要检验残差是否平稳，先生成残差变量：GENRe=resid在工作文件窗口，选定变量e，双击e，在e页面上，点击View\UnitRootTest\ADF，选择Level(检验的模型为被检验变量是e的差分，检验系数对应的项是et-1)\None(不含常数项，不含时间项)。取系统默认p=4〔因为没有做p=？AIC最小值〕，所以在laglength\userspecifi中取4〔表示差分滞后项数取4，即p=4〕。得到结果：NullHypothesis:D(E)hasaunitrootExogenous:NoneLagLength:2(AutomaticbasedonSIC,MAXLAG=4)t-Statistic

Prob.*AugmentedDickey-Fullerteststatistic-14.14951

0.0000Testcriticalvalues:1%level-2.5751445%level-1.94222410%level-1.615772*MacKinnon(1996)one-sidedp-values.AugmentedDickey-FullerTestEquationDependentVariable:D(E,2)Method:LeastSquaresDate:04/30/11Time:21:12Sample(adjusted):7234Includedobservations:228afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

D(E(-1))-2.3848930.168550-14.149510.0000D(E(-1),2)0.6600240.1243015.3098930.0000D(E(-2),2)0.1869350.0651312.8701140.0045R-squared0.784291

Meandependentvar1.614791AdjustedR-squared0.782374

S.D.dependentvar748.7820S.E.ofregression349.3100

Akaikeinfocriterion14.56287Sumsquaredresid27453931

Schwarzcriterion14.60799Loglikelihood-1657.167

Durbin-Watsonstat2.049519图7S关于F协整回归残差的单位根检验从图7看到，S关于F协整回归残差的ADF检验统计量观察值为t=-14.14951，比概率1%，5%、10%对应的两个临界值都小，对应的概率

0.0000也比1%，5%、10%小。ADF检验得到拒绝残差序列非平稳的原假设。即认残差序列是平稳的，即残差e~I〔0〕。所以在1%的概率水平下，S与F序列存在协整关系，其协整方程为：t=〔3.614788〕〔18.18621〕p=〔0.0004〕〔0.0000〕〔3〕建立误差修正模型〔ECM〕由上面得知，S与F序列存在协整关系。建立误差修正模型可分析向长期均衡状态调整的非均衡动态调整过程。原来协整模型形式如下〔*〕变成为误差修正模型〔**〕其中与一般的修正误差模型比拟要建立的修正误差模型的简单形式为前面已生成了ECM所需要的序列变量GENRE=RESIDGENRDS=S-S(-1)GENRDF=F-F(-1)最小二乘估计命令建立修正误差模型OLS：DSCDFE(-1)得到回归结果为DependentVariable:DSMethod:LeastSquaresDate:04/30/11Time:21:16Sample(adjusted):4234Includedobservations:231afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

C0.05392122.384660.0024090.9981DF0.5715310.0730817.8205010.0000E(-1)0.3198180.0731654.3712120.0000R-squared0.253387

Meandependentvar-0.692641AdjustedR-squared0.246838

S.D.dependentvar392.0187S.E.ofregression340.2130

Akaikeinfocriterion14.50992Sumsquaredresid26389835

Schwarzcriterion14.55463Loglikelihood-1672.896

F-statistic38.68963Durbin-Watsonstat2.739030

Prob(F-statistic)0.000000图8修正误差模型输出结果〔包含常数〕从图8的结果得到，常数非常不显著，所以省去常数项，重新定义方程。OLS：DSDFE(-1)DependentVariable:DSMethod:LeastSquaresDate:04/30/11Time:21:18Sample(adjusted):4234Includedobservations:231afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

DF0.5715300.0729217.8377140.0000E(-1)0.3198180.0730054.3807920.0000R-squared0.253387

Meandependentvar-0.692641AdjustedR-squared0.250127

S.D.dependentvar392.0187S.E.ofregression339.4694

Akaikeinfocriterion14.50126Sumsquaredresid26389836

Schwarzcriterion14.53107Loglikelihood-1672.896

Durbin-Watsonstat2.739030图9修正误差模型输出结果〔不包含常数〕由图9得到所要建ECM为：〔3〕t=〔7.837714〕〔4.380792〕p=〔0.0000〕〔0.0000〕从F统计量看出该方程整体上系数是显著的，自变量系数和误差修正项系数的t统计量都很显著，故该回归模型拟合得很好。ECM得到每单位现货头寸要用0.57153单位相反的期货头寸进行对冲。这一结果与序列差分的OLS模型估计出的结果0.558803相近；但与序列的OLS模型估计出的结果0.84988相差较大。结论3：由ECM得到的套期比是：0.571530。评价：1〕虽然这一模型系数显著，但模型精度R^2=0.253387，精度不高。2〕模型〔3〕排除了伪回归。3〕结论3的依据是ECM，理论上保证了样本内和样本外都有效，但ECM是用于分析短期波动的，模型有两项：一是S和F的短期变化；二是S偏离上一期的均衡程度，系数是-0.3198，当期ΔS和ΔF的变化用-0.3198份上期误差进行调整，使期回到均衡状态。4〕可见ECM用于动态套期保值较好。〔三〕用ECM-BGARCH模型估计最优套期比以上所建立模型都不太理想，原因可能是没考虑到金融资产价格的异方差性，所以下面考虑ARCH和GARCH类模型，本节拟建立ECM-BGARCH模型。1、建立Δs的误差修正GARCH模型：先生成序列OLS:scf在这一页面上:Proc\MakeResidualSeries\z建立Δs的误差修正GARCH模型从主选择单中选Quick\EstimateEquation\ARCH在MeanEquationSpecification框中输入均值方程〔即主体模型〕：dscds(-1)df(-1)z(-1)“None〞.ARCHSpecification为条件方差方程定义GARCH(1,1)DependentVariable:DSMethod:ML-ARCH(Marquardt)-NormaldistributionDate:05/09/11Time:17:01Sample(adjusted):3234Includedobservations:232afteradjustmentsConvergenceachievedafter80iterationsVariancebackcast:ONGARCH=C(5)+C(6)*RESID(-1)^2+C(7)*GARCH(-1)CoefficientStd.Errorz-StatisticProb.

C-22.1932616.20232-1.3698510.1707DS(-1)-0.1494620.091782-1.6284490.1034DF(-1)-0.0180020.089951-0.2001360.8414Z(-1)-0.0592030.039986-1.4805750.1387VarianceEquationC4968.8682003.8482.4796630.0132RESID(-1)^20.2558070.0713543.5850650.0003GARCH(-1)0.7185790.05435813.219350.0000R-squared-0.009098

Meandependentvar-1.681034AdjustedR-squared-0.036007

S.D.dependentvar306.6086S.E.ofregression312.0798

Akaikeinfocriterion14.10535Sumsquaredresid21913610

Schwarzcriterion14.20935Loglikelihood-1629.221

Durbin-Watsonstat1.724245图10Δs的误差修正GARCH模型提取这一模型主方程的残差序列。在这一页面上:Proc\MakeResidualSeries\resid01提取这一模型残差的方差序列。在这一页面上:Proc\MakeGarchVarianceSeries\garch012、建立Δf的误差修正GARCH模型：从主选择单中选Quick\EstimateEquation\ARCH在MeanEquationSpecification框中输入均值方程〔即主体模型〕：dfcds(-1)df(-1)z(-1)“None〞.ARCHSpecification为条件方差方程定义GARCH(1,1)DependentVariable:DFMethod:ML-ARCH(Marquardt)-NormaldistributionDate:05/09/11Time:17:03Sample(adjusted):3234Includedobservations:232afteradjustmentsFailuretoimproveLikelihoodafter17iterationsVariancebackcast:ONGARCH=C(5)+C(6)*RESID(-1)^2+C(7)*GARCH(-1)CoefficientStd.Errorz-StatisticProb.

C-42.0740944.17807-0.9523750.3409DS(-1)0.2749080.1486251.8496830.0644DF(-1)-0.0003420.136138-0.0025090.9980Z(-1)-0.0146880.059445-0.2470910.8048VarianceEquationC146137.011802.0912.382290.0000RESID(-1)^20.2246170.1170481.9190130.0550GARCH(-1)-0.0751560.066968-1.1222720.2617R-squared0.035194

Meandependentvar-1.637931AdjustedR-squared0.009466

S.D.dependentvar391.4341S.E.ofregression389.5770

Akaikeinfocriterion14.53222Sumsquaredresid34148309

Schwarzcriterion14.63622Loglikelihood-1678.738

F-statistic1.367932Durbin-Watsonstat2.499081

Prob(F-statistic)0.228544图11Δf的误差修正GARCH模型提取这一模型的残差序列。在这一页面上:Proc\MakeResidualSeries\vf3、计算套期比〔1〕计算vs和vf相关系数将残差vs和vf以组的方式翻开，点击View\correlation\commonsampleRESID01RESID02RESID011RESID021〔2〕计算动态最优套期比在命令框：seriesh=(0.465714)*(garch01)^.5/(garch02)^.5，便可得到一个动态套期保值比序列。翻开h：Lastupdated:05/09/11-17:08Modified:1234//h=(0.465714)*(garch01)^.5/(garch02)^.51NA2NA30.34432740.31348550.28692860.43705070.43859380.37857890.374823100.329036110.311601120.390880130.365215140.481056150.462134160.483078170.441739180.511045190.422625200.404433210.288911220.350475230.589958240.625169250.593985260.614113270.747483280.694849290.778346300.720394310.764635320.633615330.672601340.580215350.587255360.526102370.513913380.438344390.448970400.538889410.465326420.452340430.486640440.452389450.359710460.305387470.341800480.298597490.357191500.378220510.408520520.530035530.491775540.430987550.395856560.345633570.324181580.308806590.289508600.265214610.262666620.268336630.283290640.261308650.239508660.062705670.059456682.715981690.205135700.286652710.258186720.272948730.252154740.268634750.245734760.252873770.278119780.254925790.232964800.271100810.250425820.229025830.238310840.218480850.234911860.224216870.240490880.341487890.311757900.282589910.264221920.240391930.292116940.296660950.271437960.249242970.295584980.288030990.2657001000.2432321010.2104431020.2528091030.2382511040.3673521050.4652991060.6108591070.5520431080.5518621090.6449551100.5630221110.5054151120.4394621130.3868101140.3501031150.3707931160.4511811170.4214841180.4845331190.4942271200.5401681210.5451701220.4895801230.4377611240.3761041250.3787731260.5681971270.4802131280.4305711290.3923341300.3985051310.4509431320.3906371330.4762651340.4211791350.5917651360.6843341370.5678951380.5060061390.3778101400.3905551410.5191761420.4757611430.4592021440.3600721450.4030711460.3706141470.3242911480.3463601490.3156451500.2725021510.3037081520.2775631530.2838511540.2538831550.2409551560.2238681570.2132741580.3296851590.3160901600.2975521610.2668931620.2521621630.2420321640.2212771650.2113341660.2524991670.2321521680.2219401690.2093511700.2178241710.2090101720.2587711730.2459961740.2519431750.2543511760.2804621770.7699111780.6458261790.6298401800.5870681810.5515401820.4776231830.4173901840.3666411850.3643261860.3544471870.2748811880.2962601890.2403541900.2276971910.2159491920.2140541930.1980941940.1995081950.1953491960.1903001970.1833891980.1841011990.2722962000.2514852010.2378442020.2593032030.3130632040.2926862050.2629892060.2411772070.2713192080.2557352090.2330952100.2153192110.2071822120.1963972130.1900402140.1955052150.1929342160.1917512170.1862102180.1831182190.1788502200.1773802210.1754632220.1995912230.1969282240.1897662250.1834242260.1930052270.1873252280.2107562290.2028842300.2343412310.3056322320.2675752330.2683862340.263721图12ECM-BGARCH模型下的动态套期比在h在页面上