最近在做這方面的論文所以正好可以回答你的問題 1 選用GARCH模型之前需要確認序列或模型是否存在ARCH特徵 操作：使用eviews對序列或模型進行ARCH-LM檢驗或者看殘差平方的自相關影象來判斷（殘差平方存在自相關性則證明殘差存在異方差性 也就是證明存在ARCH特徵） 如果不存在ARCH特徵 則進行GARCH建模是沒有意義的2 建模 操作： Eviews點選estimate equation選擇ARCH方式建模 arch和GARCH階數都選1 即是GARCH（1，1） 這步相信你已經會了 3 計算條件方差 GARCH公式相信你懂 我手機回答問題 打公式相當累 第一個值是t-1時刻return的平方 即rt-1^2 這點沒有什麼難度 重點是關於標準差 這個值是根據你之前的歷史資訊來算的 演算法類似於一個移動平均數（mobile mean？ 英語可能有誤 我上的是法語課-moyenne mobile） 具體演算法的話是選擇一定樣本的標準差（長短不一定 可以做之前10年的 也可以做之前74天的 74似乎是一個標準）作為你要計算VaR的第一個樣本的前一天的標準差 即et-1^2 現在結合你之前的到的GARCH公式你就可以計算你所選擇的樣本量裡的第一個條件方差了 3 關於分佈 你可以選擇正態分佈（NVaR） 可以選擇student分佈（SVaR） 可以選擇考慮kurtosis和skewness的cornish fischer分佈（CFVaR）等等等等 不同的分佈對於不同的置信水平有不同的臨界值 比如99%置信水平的正態分佈臨界值為2.33 99%置信水平的student分佈臨界值為2.75 用該臨界值乘之前得到的根號下的條件方差值就可以得到VaR值了 4 關於不同分佈VaR的選擇 有兩個test backtesting 和 kupiec test 這個說起來就是研究例外的情況 即統計超過VaR值的樣本數量 然後選擇最優 推薦你上網查一下這兩個test最後再補充一下 在使用GARCH之前 理論上是需要先進行ARMA定階 然後在定階的基礎上進行GARCH建模 回答完畢 第一次回答 如有錯誤還請海涵
最近在做這方面的論文所以正好可以回答你的問題 1 選用GARCH模型之前需要確認序列或模型是否存在ARCH特徵 操作：使用eviews對序列或模型進行ARCH-LM檢驗或者看殘差平方的自相關影象來判斷（殘差平方存在自相關性則證明殘差存在異方差性 也就是證明存在ARCH特徵） 如果不存在ARCH特徵 則進行GARCH建模是沒有意義的2 建模 操作： Eviews點選estimate equation選擇ARCH方式建模 arch和GARCH階數都選1 即是GARCH（1，1） 這步相信你已經會了 3 計算條件方差 GARCH公式相信你懂 我手機回答問題 打公式相當累 第一個值是t-1時刻return的平方 即rt-1^2 這點沒有什麼難度 重點是關於標準差 這個值是根據你之前的歷史資訊來算的 演算法類似於一個移動平均數（mobile mean？ 英語可能有誤 我上的是法語課-moyenne mobile） 具體演算法的話是選擇一定樣本的標準差（長短不一定 可以做之前10年的 也可以做之前74天的 74似乎是一個標準）作為你要計算VaR的第一個樣本的前一天的標準差 即et-1^2 現在結合你之前的到的GARCH公式你就可以計算你所選擇的樣本量裡的第一個條件方差了 3 關於分佈 你可以選擇正態分佈（NVaR） 可以選擇student分佈（SVaR） 可以選擇考慮kurtosis和skewness的cornish fischer分佈（CFVaR）等等等等 不同的分佈對於不同的置信水平有不同的臨界值 比如99%置信水平的正態分佈臨界值為2.33 99%置信水平的student分佈臨界值為2.75 用該臨界值乘之前得到的根號下的條件方差值就可以得到VaR值了 4 關於不同分佈VaR的選擇 有兩個test backtesting 和 kupiec test 這個說起來就是研究例外的情況 即統計超過VaR值的樣本數量 然後選擇最優 推薦你上網查一下這兩個test最後再補充一下 在使用GARCH之前 理論上是需要先進行ARMA定階 然後在定階的基礎上進行GARCH建模 回答完畢 第一次回答 如有錯誤還請海涵