A. R語言或者EViews如何具體預測出用garch模型擬合的股票的波動率
eviews比較方便，views裡面做
B. 如何用Eviews預測股市波動率
可以用arch模型來做
C. 你好，我想請教你在eviews中如何用garch（1，1）計算股票波動率的問題，我很著急啊，謝謝啊
有數據和相關文獻沒有
有的話發到[email protected]
收到自會處理
D. eviews中如何用garch（1，1）計算股票波動率
打開Eviews然後點擊Quick然後點擊Equation Estimation，然後選擇ARCH方法，然後估計就行了
股票波動率:
波動率是指標的資產投資回報率的變化程度，有實際波動率和歷史波動率之分。它是江恩理論的一個重要內容，在期貨期權市場的指導意義較股票市場更大。下面我們將對波動率的計算及交易策略進行詳細講解，希望對股民有一定的指導意義，趕緊跟著小編一起學習波動率的知識吧！
一、波動率：概述
波動率是指標的資產投資回報率的變化程度，有實際波動率和歷史波動率之分。它是江恩理論的一個重要內容，在期貨期權市場的指導意義較股票市場更大。
（一）、實際波動率
實際波動率又稱作未來波動率，它是指對期權有效期內投資回報率波動程度的度量，由於投資回報率是一個隨機過程，實際波動率永遠是一個未知數。或者說，實際波動率是無法事先精確計算的，人們只能通過各種辦法得到它的估計值。
（二）、歷史波動率
歷史波動率是指投資回報率在過去一段時間內所表現出的波動率，它由標的資產市場價格過去一段時間的歷史數據（即St的時間序列資料）反映。這就是說，可以根據{St}的時間序列數據，計算出相應的波動率數據，然後運用統計推斷方法估算回報率的標准差，從而得到歷史波動率的估計值。顯然，如果實際波動率是一個常數，它不隨時間的推移而變化，則歷史波動率就有可能是實際波動率的一個很好的近似。
二、波動率：計算
江恩理論認為，波動率分上升趨勢的波動率計算方法和下降趨勢的波動率計算方法。
（一）、上升趨勢的波動率計算方法是：在上升趨勢中，底部與底部的距離除以底部與底部的相隔時間，取整。
上升波動率=（第二個底部-第一個底部）/兩底部的時間距離
（二）、下降趨勢的波動率計算方法是：在下降趨勢中，頂部與頂部的距離除以頂部與頂部的相隔時間，取整。並用它們作為坐標刻度在紙上繪制。
下降波動率=（第二個頂部-第一個頂部）/兩頂部的時間距離
三、波動率：交易策略
對於投資者來說，期貨市場上除了牛熊市之外，更多的時間處於一種無法辨別價格走勢或者價格沒有大幅變化的狀況。此時的交易策略可以根據市場波動率的大小具體細分。當市場預期波動較小價格變化不大時，可採取賣出跨式組合和賣出寬跨式組合的策略。當預期市場波動較大但對價格上漲和下跌的方向不能確定時，可採取買入跨式組合和買入寬跨式組合的策略。
賣出跨式組合由賣出一手某一執行價格的買權， 同時賣出一手同一執行價格的賣權組成。
採用該策略的動機在於：認為市場走勢波動不大，可以賣出期權賺取權利金收益。但是一旦市場價格發生較大波動，那就要面對遭受損失的風險。
「波動率」：波動率是江恩理論的一個重要內容，在期貨期權市場的指導意義較股票市場更大。經過上面對波動率計算方法和交易策略的學習，相信投資者對波動率有了一定的了解。此外投資者在運用波動率指標時還需結合均線和波浪理論來綜合分析.
E. 用eviews軟體計算股票波動率，garch（1,1）模型估計出來的結果如下圖，請問那些數值是表示波動率的
c————歐米伽
RESID(-1)^2——阿爾法
GARCH（-1）——貝塔
帶入下面方程式
F. 如何在eviews中用garch計算股票波動率
garch模型有一個下拉選項的，兩個方程只要會解讀就沒問題
G. 急求怎樣看股票日波動率，已經用eviews跑了一遍GARCH（1.1） 但是看不懂結果
這個結果已經有了，剩餘的需要你補充理論知識，這就不是一兩句話的問題了，而是幾個月的踏實學習
H. 如何用eviews進行GARCH模型測股票波動性，要具體步驟
Eviews是Econometrics Views的縮寫，直譯為計量經濟學觀察，通常稱為計量經濟學軟體包。它的本意是對社會經濟關系與經濟活動的數量規律，採用計量經濟學方法與技術進行「觀察」。另外Eviews也是美國QMS公司研製的在Windows下專門從事數據分析、回歸分析和預測的工具。使用Eviews可以迅速地從數據中尋找出統計關系，並用得到的關系去預測數據的未來值。Eviews的應用范圍包括：科學實驗數據分析與評估、金融分析、宏觀經濟預測、模擬、銷售預測和成本分析等。
GARCH模型是一個專門針對金融數據所量體訂做的回歸模型，除去和普通回歸模型相同的之處，GARCH對誤差的方差進行了進一步的建模。特別適用於波動性的分析和預測，這樣的分析對投資者的決策能起到非常重要的指導性作用，其意義很多時候超過了對數值本身的分析和預測。
一般的GARCH模型可以表示為：
Y（t）=h（t）^1/2*a（t） ⑴
h（t）=h（t-1）+a（t-1）^2 ⑵
其中ht為條件方差，at為獨立同分布的隨機變數，ht與at互相獨立，at為標准正態分布。⑴式稱為條件均值方程；⑵式稱為條件方差方程，說明時間序列條件方差的變化特徵。為了適應收益率序列經驗分布的尖峰厚尾特徵，也可假設 服從其他分布，如Bollerslev （1987）假設收益率服從廣義t-分布，Nelson（1991）提出的EGARCH模型採用了GED分布等。另外，許多實證研究表明收益率分布不但存在尖峰厚尾特性，而且收益率殘差對收益率的影響還存在非對稱性。當市場受到負沖擊時，股價下跌，收益率的條件方差擴大，導致股價和收益率的波動性更大；反之，股價上升時，波動性減小。股價下跌導致公司的股票價值下降，如果假設公司債務不變，則公司的財務杠桿上升，持有股票的風險提高。因此負沖擊對條件方差的這種影響又被稱作杠桿效應。由於GARCH模型中，正的和負的沖擊對條件方差的影響是對稱的，因此GARCH模型不能刻畫收益率條件方差波動的非對稱性。
I. 如何理解某一股票收益率(歷史上)的波動性與貝塔系數之間的關系
股票的價格受多種因素的影響，是不斷地上下波動的。其中重要的影響因素就是企業的經營因素。
J. 用GARCH(1,1)模型對股票收盤價收益率序列建模，如何在eviews軟體中得出收益率序列的波動性方差
接分啦。。。找到一篇不錯的文章
樓主看下，參考資料：
2.關聯規則挖掘過程、分類及其相關演算法
2.1關聯規則挖掘的過程
關聯規則挖掘過程主要包含兩個階段：第一階段必須先從資料集合中找出所有的高頻項目組(Frequent Itemsets)，第二階段再由這些高頻項目組中產生關聯規則(Association Rules)。
關聯規則挖掘的第一階段必須從原始資料集合中，找出所有高頻項目組(Large Itemsets)。高頻的意思是指某一項目組出現的頻率相對於所有記錄而言，必須達到某一水平。一項目組出現的頻率稱為支持度(Support)，以一個包含A與B兩個項目的2-itemset為例，我們可以經由公式(1)求得包含項目組的支持度，若支持度大於等於所設定的最小支持度(Minimum Support)門檻值時，則稱為高頻項目組。一個滿足最小支持度的k-itemset，則稱為高頻k-項目組(Frequent k-itemset)，一般表示為Large k或Frequent k。演算法並從Large k的項目組中再產生Large k+1，直到無法再找到更長的高頻項目組為止。
關聯規則挖掘的第二階段是要產生關聯規則(Association Rules)。從高頻項目組產生關聯規則，是利用前一步驟的高頻k-項目組來產生規則，在最小信賴度(Minimum Confidence)的條件門檻下，若一規則所求得的信賴度滿足最小信賴度，稱此規則為關聯規則。例如：經由高頻k-項目組所產生的規則AB，其信賴度可經由公式(2)求得，若信賴度大於等於最小信賴度，則稱AB為關聯規則。
就沃爾馬案例而言，使用關聯規則挖掘技術，對交易資料庫中的紀錄進行資料挖掘，首先必須要設定最小支持度與最小信賴度兩個門檻值，在此假設最小支持度min_support=5% 且最小信賴度min_confidence=70%。因此符合此該超市需求的關聯規則將必須同時滿足以上兩個條件。若經過挖掘過程所找到的關聯規則「尿布，啤酒」，滿足下列條件，將可接受「尿布，啤酒」的關聯規則。用公式可以描述Support(尿布，啤酒)>=5%且Confidence(尿布，啤酒)>=70%。其中，Support(尿布，啤酒)>=5%於此應用範例中的意義為:在所有的交易紀錄資料中，至少有5%的交易呈現尿布與啤酒這兩項商品被同時購買的交易行為。Confidence(尿布，啤酒)>=70%於此應用範例中的意義為:在所有包含尿布的交易紀錄資料中，至少有70%的交易會同時購買啤酒。因此，今後若有某消費者出現購買尿布的行為，超市將可推薦該消費者同時購買啤酒。這個商品推薦的行為則是根據「尿布，啤酒」關聯規則，因為就該超市過去的交易紀錄而言，支持了「大部份購買尿布的交易，會同時購買啤酒」的消費行為。
從上面的介紹還可以看出，關聯規則挖掘通常比較適用與記錄中的指標取離散值的情況。如果原始資料庫中的指標值是取連續的數據，則在關聯規則挖掘之前應該進行適當的數據離散化（實際上就是將某個區間的值對應於某個值），數據的離散化是數據挖掘前的重要環節，離散化的過程是否合理將直接影響關聯規則的挖掘結果。
2.2關聯規則的分類
按照不同情況，關聯規則可以進行分類如下：
1.基於規則中處理的變數的類別，關聯規則可以分為布爾型和數值型。
布爾型關聯規則處理的值都是離散的、種類化的，它顯示了這些變數之間的關系；而數值型關聯規則可以和多維關聯或多層關聯規則結合起來，對數值型欄位進行處理，將其進行動態的分割，或者直接對原始的數據進行處理，當然