我一直在使用各种基于 GARCH 的模型，使用历史每日数据作为输入来预测各种北美股票的波动性。
非对称 GARCH 模型经常被引用为对基本 GARCH 模型的修改，以解释“杠杆效应”，即在负回报后波动率往往比同样大小的正回报后增加更多。
对于标准普尔 500 或纳斯达克 100 等基础广泛的股票指数，您期望在标准 GARCH 和非对称 GARCH 预测之间看到什么样的差异？
这两个指数并没有什么特别之处，但我认为给出一些具体的东西来集中讨论是有帮助的，因为我确信效果会因所使用的股票而异。
标准 GARCH 和非对称 GARCH 波动率预测之间的预期差异有多大？
机器算法验证
时间序列
加奇
波动率预测
金融
2022-03-28 15:01:56
2个回答
通常，通过不允许不对称，您预计电击的效果会持续更长时间：即半衰期增加（半衰期是时间单位数，在 1 SD 电击后$\hat{\sigma} t|I {t-1}$ 回到它的无条件值。）
这是一个在 R 中下载股票数据、拟合 (e)Garch 并计算半衰期的代码：
install.packages("rgarch",repos="http://R-Forge.R-project.org")
install.packages("fGarch")
install.packages("fImport")
library(rgarch)
library(fImport)
library(fGarch)
d1<-yahooSeries(symbols="ibm",nDaysBack=1000,frequency=c("daily"))[,4]
dprice1<-diff(log(as.numeric(d1[length(d1):1])))
spec1<-ugarchspec(variance.model=list(model="eGARCH",garchOrder=c(1,1)),mean.model=list(armaOrder=c(0,0),include.mean=T))
spec2<-ugarchspec(variance.model=list(model="fGARCH",submodel="GARCH",garchOrder=c(1,1)),mean.model=list(armaOrder=c(0,0),include.mean=T))
fit1<-ugarchfit(data=dprice1,spec=spec1)
fit2<-ugarchfit(data=dprice1,spec=spec2)
halflife(fit1)
halflife(fit2)
这样做的原因是，一般来说，负面咒语往往更持久。如果你不控制这一点，你通常会偏向（即持久性参数）向下。
存在显着差异，并且有几篇已发表的论文与此有关
- 油价波动率模型的比较表现
国际能源经济与政策杂志卷。2, No. 3, 2012, pp.167-183 ISSN: 2146-4553 www.econjournals.com
还有很多
其它你可能感兴趣的问题