本文介绍了R包bayesGARCH，它为使用Student-t创新的简约但有效的GARCH（1,1）模型提供了贝叶斯估计功能。 估计过程是全自动的，因此避免了调整采样算法的耗时且困难的任务。 在经验应用程序中显示了包的用法以交换汇率对数收益。

MarkovDccSource.rar

主要是作ARIMA-GARCH，ARIMA-TGARCH模型，但是后面GARCH模型图像拟合那里会有点问题。

DCC-GARCH模型 Dynamic Conditional Correlation - GARCH 该文件所包含以下几个小文档 1.DCC-GARCH理论讲解和stata操作教程和结果解读等教程 2.视频中的do文档以及所用数据 3.第二份数据 4.stata17解压包 目前鱼同学未看到全网由特别权威的大牛和书籍提供具体的步骤，该模型的视频教程仅根据鱼同学理解进行创作，请谨慎利用和学习。在该视频中操作了DCC-MGARCH模型的操作过程、动态相关系数以及动态相关系数图。同时，也论述了CCC、DCC以及VCC之间的差别。 在文件中，鱼同学为大家提供了两份数据集以供测试。

在本文中，我们使用斯德哥尔摩证券交易所的每日股票收益率来检查其波动性。 因此，我们不仅估计GARCH（1,1）对称模型，而且估计具有不同残差分布的非对称模型EGARCH（1,1）和GJR-GARCH（1,1）。 波动率模型的参数使用Marquardt算法（Marquardt [1]）通过最大似然（ML）进行估算。 调查结果表明，在这个市场上，负面冲击比正面冲击影响更大。 同样，用于预测收益的指数表明，带有t型学生的ARIMA（0,0,1）-EGARCH（1,1）模型可以更精确地预测斯德哥尔摩证券交易所的波动率和预期收益。

用R语言对非平稳且异方差的时间序列进行分析，采用ARIMA-GARCH模型方法

基于高频数据的分类信息混合分布GARCH模型研究

在跳跃扩散模型下,假定跳跃强度服从门限自回归模型(self-threshold autoregressive model, SETAR)以反映跳跃强度的结构性突变,并使用GARCH模型描述收益率波动扩散形态.以受波动率影响的跳跃强度控制跳跃行为发生概率,并以受跳跃行为影响的GARCH模型控制正常扩散过程,构建了SETAR-GARCH模型.以上证房地产指数为例,实证研究发现,股指存在门限效应,GARCH效应明显,跳跃突变发生的概率为35. 21%.资产收益率总体方差中有较大的部分是由跳跃行为异常所引起.历史

建模汇率波动性至关重要，因为它对公司的获利能力和决策者的决策具有多种影响。 本文通过对2006年4月1日至2018年1月31日期间的USDINR和EURINR日汇率应用滚动对称和非对称GARCH模型，对印度货币的汇率波动进行了实证研究。得出的总观察值为2861。 （1,1）和EGARCH（1,1）模型，数据窗口滚动了五年，有近1200个观测值，一个月用作每个窗口的预测期。 样本内准则（例如对数似然准则，Akaike信息准则（AIC），贝叶斯信息准则（SIC）和Hannan Quinn准则（HQC））以及样本外准则（例如均方误差（MSE））和平均绝对误差（MAE）已用于测试模型拟合和预测模型的准确性。 为了检验结果的稳健性，使用Diebold-Mariano检验来比较两个模型的预测准确性。 此外，还通过将样本期分为印度汇率的平静和波动时期来测试这两种模型的预测准确性。 结果表明，具有广义误差分布的GARCH（1,1）模型足以捕获USDINR和EURINR汇率收益的均值和波动过程。

计算波动率基于garch模型，里面包含了四个数据集，大家可以试一试