ARMA |
您所在的位置：网站首页 › tcopula函数 › ARMA |
ARMA
|
原文链接： tecdat.cn/?p=3385
最近我们被客户要求撰写关于ARMA-GARCH-COPULA的研究报告，包括一些图形和统计输出。 最近我被要求撰写关于金融时间序列的copulas的调查 从读取数据中获得各种模型的描述，包括一些图形和统计输出。 > oil = read.xlsx（temp，sheetName =“DATA”，dec =“，”） 复制代码然后我们可以绘制这三个时间序列 1 1997-01-10 2.73672 2.25465 3.3673 1.5400 2 1997-01-17 -3.40326 -6.01433 -3.8249 -4.1076 3 1997-01-24 -4.09531 -1.43076 -6.6375 -4.6166 4 1997-01-31 -0.65789 0.34873 0.7326 -1.5122 5 1997-02-07 -3.14293 -1.97765 -0.7326 -1.8798 6 1997-02-14 -5.60321 -7.84534 -7.6372 -11.0549 复制代码这个想法是在这里使用一些多变量ARMA-GARCH过程。这里的启发式是第一部分用于模拟时间序列平均值的动态，第二部分用于模拟时间序列方差的动态。 本文考虑了两种模型 关于ARMA模型残差的多变量GARCH过程（或方差矩阵动力学模型） 关于ARMA-GARCH过程残差的多变量模型（基于copula）因此，这里将考虑不同的序列，作为不同模型的残差获得。我们还可以将这些残差标准化。 ARMA模型 > fit1 = arima（x = dat [，1]，order = c（2,0,1）） > fit2 = arima（x = dat [，2]，order = c（1,0,1）） > fit3 = arima（x = dat [，3]，order = c（1,0,1）） > m v dat_arma_std fit1 = garchFit（formula = ~arma（2,1）+ garch（1,1），data = dat [，1]，cond.dist =“std”） > fit2 = garchFit（formula = ~arma（1,1）+ garch（1,1），data = dat [，2]，cond.dist =“std”） > fit3 = garchFit（formula = ~arma（1,1）+ garch（1,1），data = dat [，3]，cond.dist =“std”） > m_res v_res dat_res_std = cbind（（dat_res [，1] -m_res [1]）/ sqrt（v_res [1]），（dat_res [，2] -m_res [2]）/ sqrt（v_res [2]），（dat_res [ ，3] -m_res [3]）/ SQRT（v_res [3]）） 复制代码 多变量GARCH模型可以考虑的第一个模型是协方差矩阵的多变量EWMA， > ewma = EWMAvol（dat_res_std，lambda = 0.96） 复制代码波动性 > emwa_series_vol = function（i = 1）{ + lines（Time，dat_arma [，i] + 40，col =“gray”） + j = 1 + if（i == 2）j = 5 + if（i == 3）j = 9 复制代码点击标题查阅往期内容 R语言基于ARMA-GARCH过程的VaR拟合和预测 左右滑动查看更多 01 02 03 04 隐含相关性 > emwa_series_cor = function（i = 1，j = 2）{ + if（（min（i，j）== 1）＆（max（i，j）== 2））{ + a = 1; B = 9; AB = 3} + r = ewma $ Sigma.t [，ab] / sqrt（ewma $ Sigma.t [，a] * + ewma $ Sigma.t [，b]） + plot（Time，r，type =“l”，ylim = c（0,1）） +} 复制代码多变量GARCH，即BEKK（1,1）模型，例如使用： > bekk = BEKK11（dat_arma） > bekk_series_vol function（i = 1）{ + plot（Time， $ Sigma.t [，1]，type =“l”， + ylab = （dat）[i]，col =“white”，ylim = c（0,80）） + lines（Time，dat_arma [，i] + 40，col =“gray”） + j = 1 + if（i == 2）j = 5 + if（i == 3）j = 9 > bekk_series_cor = function（i = 1，j = 2）{ + a = 1; B = 5; AB = 2} + a = 1; B = 9; AB = 3} + a = 5; B = 9; AB = 6} + r = bk $ Sigma.t [，ab] / sqrt（bk $ Sigma.t [，a] * + bk $ Sigma.t [，b]） 复制代码第一步可能是考虑残差的一些静态（联合）分布。单变量边缘分布是 边缘密度的轮廓（使用双变量核估计器获得） 也可以将copula密度可视化（上面有一些非参数估计，下面是参数copula） > copula_NP = function（i = 1，j = 2）{ + n = nrow（uv） + s = 0.3 + norm.cop graph_lambda = function（i，j）{ + X = dat_res + U = rank（X [，i]）/（nrow（X）+1） + V = rank（X [，j]）/（nrow（X）+1） + normal.cop time_varying_correl_2（1,2） > time_varying_correl_2（1,2，“spearman”） > time_varying_correl_2（1,2，“kendall”） 复制代码斯皮尔曼与时变排名相关系数 或肯德尔 相关系数 为了模型的相关性，考虑DCC模型（S） > m2 = dccFit（dat_res_std） > m3 = dccFit（dat_res_std，type =“Engle”） > R2 = m2 $ rho.t > R3 = m3 $ rho.t 复制代码要获得一些预测， 使用例如 > garch11.spec = ugarchspec（mean.model = list（armaOrder = c（2,1）），variance.model = list（garchOrder = c（1,1），model =“GARCH”）） > dcc.garch11.spec = dccspec（uspec = multispec（replicate（3，garch11.spec）），dccOrder = c（1,1）， distribution =“mvnorm”） > dcc.fit = dccfit（dcc.garch11.spec，data = dat） > fcst = dccforecast（dcc.fit，n.ahead = 200） 复制代码本文摘选 《 R语言ARMA-GARCH-COPULA模型和金融时间序列案例 》 ，点击“阅读原文”获取全文完整资料。 点击标题查阅往期内容 时间序列分析：ARIMA GARCH模型分析股票价格数据 GJR-GARCH和GARCH波动率预测普尔指数时间序列和Mincer Zarnowitz回归、DM检验、JB检验 【视频】时间序列分析：ARIMA-ARCH / GARCH模型分析股票价格 时间序列GARCH模型分析股市波动率 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 |
【本文地址】
今日新闻 |
推荐新闻 |