如何在5%显著性水平下检验AR(3)-GJR-GARCH(2,2,2)模型的杠杆效应？

你设置了o=2，所以模型会生成两个gamma参数（γ₁、γ₂），分别对应滞后1期和滞后2期的负冲击对条件方差的非对称影响。要在5%显著性水平下检验杠杆效应，可从以下两个层面操作：

1. 查看单个gamma参数的显著性 #

拟合后的模型摘要里已经包含了每个参数的p值，直接打印结果就能获取：

print(gjr_garch.summary())

在输出的参数表中，找到gamma[1]和gamma[2]对应的行，看P>|z|列的数值：

• 若任意一个gamma参数的p值小于0.05，说明该滞后阶数的负冲击对条件方差的非对称影响在5%水平下显著；
• 若两个p值都大于0.05，则对应滞后阶数的杠杆效应不显著。

2. 联合显著性检验（更严谨） #

因为存在两个gamma参数，更严谨的方式是检验所有gamma参数联合为0的原假设（H₀: γ₁=γ₂=0）——如果拒绝原假设，说明模型整体存在显著杠杆效应。用Wald检验实现：

# 构造原假设：gamma1和gamma2都为0
hypotheses = [
    'gamma[1] = 0',
    'gamma[2] = 0'
]
# 执行Wald检验
wald_test = gjr_garch.wald_test(hypotheses)
print(wald_test)

查看检验结果的p值：

• p值<0.05：拒绝原假设，说明整体存在显著杠杆效应；
• p值≥0.05：无法拒绝原假设，没有足够证据证明存在杠杆效应。

补充说明 #

GJR-GARCH中，若gamma参数显著为正，代表负冲击（利空）带来的条件方差涨幅大于同等幅度的正冲击（利好），这是金融市场典型的杠杆效应特征；如果gamma显著为负，说明正冲击对波动的影响更大，这种情况实际中较少见。

内容的提问来源于stack exchange，提问作者Rijia