R语言中基于混合数据抽样(MIDAS)回归的HAR |
您所在的位置:网站首页 › R语言HAR-RV模型 › R语言中基于混合数据抽样(MIDAS)回归的HAR |
点击标题查阅往期内容 R语言预测期货波动率的实现:ARCH与HAR-RV与GARCH,ARFIMA模型比较 左右滑动查看更多 01 02 03 04 就像在Ghysels(2013)中一样,我们将估算样本限制在1985年第一季度到2009年第一季度之间。我们使用Beta多项式,非零Beta和U-MIDAS权重来评估模型。 R> coef(beta0) (Intercept) yy xx1 xx2 xx3 0.8315274 0.1058910 2.5887103 1.0201202 13.6867809 R> coef(betan) (Intercept) yy xx1 xx2 xx3 xx4 0.93778705 0.06748141 2.26970646 0.98659174 1.49616336 -0.09184983 (Intercept) yy xx1 xx2 xx3 xx4 0.92989757 0.08358393 2.00047205 0.88134597 0.42964662 -0.17596814 xx5 xx6 xx7 xx8 xx9 0.28351010 1.16285271 -0.53081967 -0.73391876 -1.18732001 我们可以使用2009年第2季度至2011年第2季度包含9个季度的样本数据评估这三个模型的预测性能。 R> fulldata insample outsample avgf sqrt(avgf$accuracy$individual$MSE.out.of.sample) [1] 0.5361953 0.4766972 0.4457144 我们看到,MIDAS回归模型提供了最佳的样本外RMSE。 预测实际波动作为另一个演示,我们使用midasr来预测每日实现的波动率。Corsi(2009)提出了一个简单的预测每日实际波动率的模型。实现波动率的异质自回归模型(HAR-RV)定义为 我们假设一周有5天,一个月有4周。该模型是MIDAS回归的特例: 为了进行经验论证,我们使用了由Heber,Lunde,Shephard和Sheppard(2009)提供的关于股票指数的已实现波动数据。我们基于5分钟的收益数据估算S&P500指数的年度实现波动率模型。 Parameters: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.83041 0.36437 2.279 0.022726 * rv1 0.34066 0.04463 7.633 2.95e-14 *** rv2 0.41135 0.06932 5.934 3.25e-09 *** rv3 0.19317 0.05081 3.802 0.000146 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 5.563 on 3435 degrees of freedom 为了进行比较,我们还使用归一化指数Almon权重来估计模型 Parameters: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.837660 0.377536 2.219 0.0266 * rv1 0.944719 0.027748 34.046 < 2e-16 *** rv2 -0.768296 0.096120 -7.993 1.78e-15 *** rv3 0.029084 0.005604 5.190 2.23e-07 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 5.535 on 3435 degrees of freedom 我们可以使用异方差性和自相关鲁棒权重规范检验hAhr_test来检验这些限制中哪些与数据兼容。 hAh restriction test (robust version) data: hAhr = 28.074, df = 17, p-value = 0.04408 hAh restriction test (robust version) data: hAhr = 19.271, df = 17, p-value = 0.3132 我们可以看到,与MIDAS回归模型中的HAR-RV隐含约束有关的零假设在0.05的显着性水平上被拒绝,而指数Almon滞后约束的零假设则不能被拒绝。 图说明了拟合的MIDAS回归系数和U-MIDAS回归系数及其相应的95%置信区间。对于指数Almon滞后指标,我们可以通过AIC或BIC选择滞后次数。 我们使用了两种优化方法来提高收敛性。将测试函数应用于每个候选模型。函数hAhr_test需要大量的计算时间,尤其是对于滞后阶数较大的模型,因此我们仅在第二步进行计算,并且限制了滞后 restriction test 的选择。AIC选择模型有9阶滞后: Selected model with AIC = 21551.97 Based on restricted MIDAS regression model The p-value for the null hypothesis of the test hAhr_test is 0.5531733 Parameters: Estimate Std. Error t value Pr(>|t|) (Intercept) 0.96102 0.36944 2.601 0.00933 ** rv1 0.93707 0.02729 34.337 < 2e-16 *** rv2 -1.19233 0.19288 -6.182 7.08e-10 *** rv3 0.09657 0.02190 4.411 1.06e-05 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 5.524 on 3440 degrees of freedom hAh_test的HAC再次无法拒绝指数Almon滞后的原假设。我们可以使用具有1000个观测值窗口的滚动预测来研究两个模型的预测性能。为了进行比较,我们还计算了无限制AR(20)模型的预测。 Model MSE.out.of.sample MAPE.out.of.sample 1 rv ~ (rv, 1:20, 1) 10.82516 26.60201 2 rv ~ (rv, 1:20, 1, harstep) 10.45842 25.93013 3 rv ~ (rv, 1:9, 1, nealmon) 10.34797 25.90268 MASE.out.of.sample MSE.in.sample MAPE.in.sample MASE.in.sample 1 0.8199566 28.61602 21.56704 0.8333858 2 0.8019687 29.24989 21.59220 0.8367377 3 0.7945121 29.08284 21.81484 0.8401646 我们看到指数Almon滞后模型略优于HAR-RV模型,并且两个模型均优于AR(20)模型。 参考文献 Andreou E,Ghysels E,Kourtellos A(2010)。“具有混合采样频率的回归模型。” 计量经济学杂志,158,246–261。doi:10.1016 / j.jeconom.2010.01。004。 Andreou E,Ghysels E,Kourtellos A(2011)。“混合频率数据的预测。” 在MP Clements中,DF Hendry(编),《牛津经济预测手册》,第225–245页。 点击文末 “阅读原文” 获取全文完整资料。 本文选自《R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长》。 点击标题查阅往期内容 HAR-RV-J与递归神经网络(RNN)混合模型预测和交易大型股票指数的高频波动率 R语言预测期货波动率的实现:ARCH与HAR-RV与GARCH,ARFIMA模型比较 PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化 极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR:多元化投资组合预测风险测度分析 Garch波动率预测的区制转移交易策略 金融时间序列模型ARIMA 和GARCH 在股票市场预测应用 时间序列分析模型:ARIMA-ARCH / GARCH模型分析股票价格 R语言风险价值:ARIMA,GARCH,Delta-normal法滚动估计VaR(Value at Risk)和回测分析股票数据 R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化 Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用 MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测R语言GARCH-DCC模型和DCC(MVT)建模估计 Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列 R语言中的时间序列分析模型:ARIMA-ARCH / GARCH模型分析股票价格 R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列 Python使用GARCH,EGARCH,GJR-GARCH模型和蒙特卡洛模拟进行股价预测 R语言时间序列GARCH模型分析股市波动率 R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测 matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计 Python使用GARCH,EGARCH,GJR-GARCH模型和蒙特卡洛模拟进行股价预测 使用R语言对S&P500股票指数进行ARIMA + GARCH交易策略 R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模 R语言股票市场指数:ARMA-GARCH模型和对数收益率数据探索性分析 R语言多元Copula GARCH 模型时间序列预测 R语言使用多元AR-GARCH模型衡量市场风险 R语言中的时间序列分析模型:ARIMA-ARCH / GARCH模型分析股票价格 R语言用Garch模型和回归模型对股票价格分析 GARCH(1,1),MA以及历史模拟法的VaR比较 matlab估计arma garch 条件均值和方差模型R语言POT超阈值模型和极值理论EVT分析 R语言极值推断:广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法 R语言极值理论EVT:基于GPD模型的火灾损失分布分析 R语言有极值(EVT)依赖结构的马尔可夫链(MC)对洪水极值分析 R语言POT超阈值模型和极值理论EVT分析 R语言混合正态分布极大似然估计和EM算法 R语言多项式线性模型:最大似然估计二次曲线 R语言Wald检验 vs 似然比检验 R语言GARCH-DCC模型和DCC(MVT)建模估计 R语言非参数方法:使用核回归平滑估计和K-NN(K近邻算法)分类预测心脏病数据 matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计 R语言基于Bootstrap的线性回归预测置信区间估计方法 R语言随机搜索变量选择SSVS估计贝叶斯向量自回归(BVAR)模型 Matlab马尔可夫链蒙特卡罗法(MCMC)估计随机波动率(SV,Stochastic Volatility) 模型 Matlab马尔可夫区制转换动态回归模型估计GDP增长率R语言极值推断:广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法返回搜狐,查看更多 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |