如题，我想用rugarch包算时间序列的garch模型，包括外生变量，请问该如何编，我的程序问题在哪里。

数据见附件，1.我的变量维度是时间和国家，2.核心变量是 股指年收益率，3.外生变量是第9,10列数据。

aa<-read.csv("aa.csv",stringsAsFactors=F)

library(rugarch)

spec = ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1, 1),external.regressors =aa[,9:10] ),

        mean.model = list(armaOrder = c(1, 1),include.mean = TRUE, arfima = FALSE,external.regressors =aa[,9:10] ),

         distribution.model = "sged")

fit= ugarchfit(spec = spec,aa[,c(1:2,4)])

fit

报错：

Error in optim(init[mask], armaCSS, method = optim.method, hessian = TRUE,  :

  'vmmin'的初始值不能为无穷大

解决方法：

gjr.spec <- ugarchspec( # start ugarch specification

    variance.model = list(model = "gjrGARCH", # select Treshold-GARCH

                          garchOrder = c(1, 1), # GARCH(1, 1), order c(1,1) is in fact the default

                          external.regressors = as.matrix(dfr[, "mon"])), # monday effect in variance

                                                               # given as an external regressor. Must be

                                                               # a matrix!

    mean.model = list(armaOrder = c(0, 1), # MA(1) specification

                      external.regressors = as.matrix(dfr[, c("mon")])), # Monday effect in the returns

                                                                  # must be a matrix!

    distribution.model = "sstd" # Student t as the conditional distribution

    ) # end  ugarch specification