1. ARCH模型应用
ARCH LM检验的原假设是：ARCH模型里所有回归系数是否同时为零。
若概率大，大于给定的显著性水平（比如5％），则序列不存在ARCH效应的，即不能拒绝没有ARCH效应假设， ARCH LM一般是对残差进行检验，在未知残差是否具有ARCH效应时，用OLS后，一般是希望残差检验的相伴概率从1阶就有ARCH效应，即概率从1阶就很小，拒绝假设，但是有些时候是低阶概率大，不能拒绝假设，而到了高阶（一般为7、8阶时）概率小，拒绝假设时，说明高阶是有很强的ARCH效应的，这是正常的表现。
在对序列使用GARCH模型后的残差ARCH LM检验时，就必须期望残差从1阶就表现较大的概率为好，即不能拒绝原假设，残差不再有ARCH效应，说明残差里的信息已经提取干净！
2. AR模型应用
AR、MA和ARMA模型都旨在解释事件序列内在的自相关性从而预测未来。在ARMA模型的基础上，还有扩展的ARIMA和SARIMA模型。
对于金融时间序列，由于其具有volatility clustering的特性，时间序列的波动率（二阶矩）并不是一个不变的常数，AR、MA和ARMA模型是无法刻画这种条件异方差的特性，ARCH和GARCH模型可以解决这一问题，关于在量化中大量运用的GARCH簇模型在后面会有较多篇幅去介绍。
3. arch模型全称
（1）Ifconfig命令
第一种使用ifconfig命令配置网卡的ip地址。此命令通常用来零时的测试用，计算机启动后ip地址的配置将自动失效。具体用法如下。Ipconfig ethx ipadd netmask x.x.x.x。
其中ethx中的x代表第几快以太网卡，默认第一块为0.ipadd代表ip地址。x.x.x..x为子网掩码。例如给网卡eth0配置的ip地址为192.168.1.1 子网掩码为 255.255.255.0 。如下图
注意（此方法配置的ip地址后计算机从新启动将会失效）
（2）neat命令
Neat命令=redhat-config-network图形下配置ip地址
双击图下画红线的部分
双击划线部分后出现下图所示：根据要求配置相关信息
双击ok配置完毕。配置完后重启服务，并查看配置ip地址。
注意（此方法配置的ip地址后计算机从新启动仍然有效）
（3）netconfig命令
输入netconfig后将会出现下图所示，单击yes按钮。
进行相关配置后ok退出。
注意（此方法配置的ip地址后计算机从新启动仍然有效）
补充：Linux，全称GNU/Linux，是一套免费使用和自由传播的类UNIX操作系统，其内核由林纳斯·本纳第克特·托瓦兹于1991年第一次释出，它主要受到Minix和Unix思想的启发，是一个基于POSIX和Unix的多用户、多任务、支持多线程和多CPU的操作系统。它能运行主要的Unix工具软件、应用程序和网络协议。它支持32位和64位硬件。Linux继承了Unix以网络为核心的设计思想，是一个性能稳定的多用户网络操作系统。Linux有上百种不同的发行版，如基于社区开发的debian、archlinux，和基于商业开发的Red Hat Enterprise Linux、SUSE、oracle linux等。
4. arch模型定义
滞后阶数是试出来的，不断改变之后阶数，选择AIC与SC最小的阶数。
5. arch模型应用范围
根据实际情况而定，先做普通的回归分析得到残差，然后分析残差序列的自相关图和自相关函数，看他们的衰减规律确定相应的阶数。
自回归条件模型中通常使用2阶模型ARCH(2)，高阶模型一来麻烦二来并不实用。
6. arch模型的作用
ARCH LM检验的原假设是：ARCH模型里所有回归系数是否同时为零。 若概率大，大于给定的显著性水平（比如5％），则序列不存在ARCH效应的，即不能拒绝没有ARCH效应假设， ARCH LM一般是对残差进行检验，在未知残差是否具有ARCH效应时，用OLS后，一般是希望残差检验的相伴概率从1阶就有ARCH效应，即概率从1阶就很小，拒绝假设，但是有些时候是低阶概率大，不能拒绝假设，而到了高阶（一般为7、8阶时）概率小，拒绝假设时，说明高阶是有很强的ARCH效应的，这是正常的表现。 在对序列使用GARCH模型后的残差ARCH LM检验时，就必须期望残差从1阶就表现较大的概率为好，即不能拒绝原假设，残差不再有ARCH效应，说明残差里的信息已经提取干净！
7. archgarch模型
TArchT软件是一种用于建筑施工图设计的“工具集”软件，这种软件的特点可以用“易、泛、厚、韧、容”五个字来概括，充分体现了工具集建筑软件的理念。使用TArchT软件构筑的立体模型称之为TARCH模型。 TARCH模型在现实生活中的应用： 汇率常表现出方差时变的特点,常表现出波动聚集的现象,也即大幅度波动聚集在某一段时间,而小幅度波动聚集在另外一段时间上。
经典的时间序列模型(如ARMA模型)以不能较好地拟合此类数据。
自回归条件异方差(ARCH)模型,把方差和条件异方差区分开,让条件方差随过去误差也即一系列的历史信息冲击而变化,为解决异方差而提供新的途径。
广义自回归条件异方差(GARCH)让条件方差作为过去误差和之后条件方差的函数而变化,更好地体现出波动聚集效应。
市场对坏消息的反应往往比对好消息的反应更为迅速,这种非对称性,往往用带门限的GARCH(TARCH)和指数GARCH(EGARCH)模型来反应。
8. ar 模型
水土流失量估算模式
预测模型采用美国通用的水土流失程式（USLE）。
预测方程为：
A=R·K·LS·C·P
式中：A—侵蚀强度，即单位面积(hm2)单位时间(a)流失量；
R—侵蚀因子；
K—土壤因子；
LS—地形因子；
C—生物因子；
P—水土保持因子。
这个预测模型是美国农业部农业研究所经过40多年实地观察提出的。我国南方各省在该模型应用方面做了不少的工作，许多研究表明，该模型不仅适用山坡地、农地的水土流失估算，同样也适用于公路街道建设。