R语言预测期货波动率的实现:ARCH与HAR |
您所在的位置:网站首页 › r语言代码表白 › R语言预测期货波动率的实现:ARCH与HAR |
我们从在R中拟合APARCH开始: 可以看出ARCH效应是显而易见的 我们可以得到模型的系数,以及误差分析 为了进一步分析模型,我们分析了QQ图中的正态性残差。 我们发现残差不符合正态性,然后我们测试残差的自相关: 测试对于上面列出的模型,所有残差都具有一些自相关效应。因此,基于GARCH的模型可能不够准确,无法预测波动性。 我们使用MSE(误差的均方)来测量模型的预测性能。 MSE.NGARCH 0.000385108313676526 MSE.tGARCH 0.00038568802365854 MSE.APARCH 0.000385278917823468 2.基于HAR-RV的模型 处理高频实际波动率 高频数据包含更丰富的日内交易信息,因此可用于衡量波动率。实现波动是其中一种方式。如果我们将交易日_t_划分为_N个_时段,每个时段都会有一个对数收益率,那么实际收益可以计算如下: HAR-RV,异构自回归RV模型由科希创建。 点击标题查阅往期内容 R语言HAR和HEAVY模型分析高频金融数据波动率 左右滑动查看更多 01 02 03 04 MSE计算如下 MSE.HARRV1.08226110318177 * 10 ^( - 7)MSE.HARRVCJ1.90270268315141 * 10 ^( - 7)3.基于ARFIMA的模型 描述长记忆 ARFIMA是分整自回归移动平均模型,其具有与ARMA模型相同的表示形式,但差分参数d可以是非整数值: 在差分参数d是非整数的情况下,则可以如下操作 在R中,我们编程探索HAR-RV和HAR-RV-CJ模型。 MSE如下所列 MSE.ARFIMA11.0663781087345 * 10 ^( - 7)MSE.ARFIMA21.06634734745652 * 10 ^( - 7)MSE.ARFIMA31.06846983445809 * 10 ^( - 7)结论 SH50S&P500MSE.NGARCH0.0003851083147.793024760363 * 10 ^( - 5)MSE.tGARCH0.0003856880247.803986179542 * 10 ^( - 5)MSE.APARCH0.0003852789197.781641356006 * 10 ^( - 5)MSE.HARRV1.082261103181 * 10 ^( - 7)1.459464289508 * 10 ^( - 9)MSE.HARRVCJ1.902702683151 * 10 ^( - 7)N / A(没有足够的数据)MSE.ARFIMA11.066378108737 * 10 ^( - 7)1.820349558502 * 10 ^( - 8)MSE.ARFIMA21.066347347457 * 10 ^( - 7)1.848206765296 * 10 ^( - 8)MSE.ARFIMA31.068469834458 * 10 ^( - 7)1.844987432992 * 10 ^( - 8)从结果我们知道基于ARFIMA的模型具有与HAR-RV相似的准确度,并且两者都比GARCH模型好得多。 本文摘选 《 R语言预测波动率的实现:ARCH模型与HAR-RV模型 》 ,点击“阅读原文”获取全文完整资料。 点击标题查阅往期内容 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 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |