ＡＲＭＡ － ＧＪＲ － ＧＡＲＣＨ 建模后的模型系数怎么得到的

ARMA-GJR-GARCH模型的系数是通过最大似然估计（Maximum Likelihood Estimation, MLE）算法来估计得到的。具体的步骤是：

1. 使用ARMA模型对时间序列进行拟合，得到残差序列；
2. 使用GJR-GARCH模型来对残差序列进行拟合，得到模型的参数；
3. 使用MLE算法来最大化似然函数，从而得到最优的模型系数。

在Python中，可以使用Arch库中的`fit()`函数来实现这一步骤。该函数会返回一个结果对象`result`，其中包含了模型的系数等信息。下面是示例代码：

from arch import arch_model
from statsmodels.tsa.arima_model import ARMA

# 导入数据
data = pd.read_csv('data.csv', index_col='Date', parse_dates=True)

# 拆分训练集和测试集
train_data = data[:'2019']
test_data = data['2019':]

# 拟合ARMA模型
arma_model = ARMA(train_data, order=(1, 1))
arma_result = arma_model.fit()

# 计算残差
residuals = arma_result.resid

# 拟合GJR-GARCH模型
gjr_garch_model = arch_model(residuals, p=1, o=1, q=1, power=1.0, dist='normal')
gjr_garch_result = gjr_garch_model.fit()

# 输出模型系数
print(gjr_garch_result.params)

注意，该函数返回的系数包括了GJR-GARCH模型中的所有参数，例如ARCH项、GARCH项、杠杆效应等，因此需要根据具体的模型类型和参数设置来解读结果。