R语言多元Copula GARCH 模型时间序列预测 |
您所在的位置:网站首页 › 多元copula的最优选择 › R语言多元Copula GARCH 模型时间序列预测 |
和宏观经济数据不同,金融市场上多为高频数据,比如股票收益率序列。直观的来说 ,后者是比前者“波动”更多且随机波动的序列,在一元或多元的情况下,构建Copula函数模型和GARCH模型是最好的选择。 最近我们被客户要求撰写关于Copula GARCH的研究报告,包括一些图形和统计输出。 相关视频:Copula算法原理和R语言股市收益率相依性可视化分析Copula算法原理和R语言股市收益率相依性可视化分析 ,时长16:34 相关视频:时间序列分析:ARIMA GARCH模型分析股票价格数据时间序列分析模型 ARIMA-ARCH GARCH模型分析股票价格数据 多元GARCH家族中,种类非常多,需要自己多推导理解,选择最优模型。本文使用R软件对3家上市公司近十年的每周收益率为例建立模型。 首先我们可以绘制这三个时间序列。 在这里使用多变量的ARMA-GARCH模型。 本文考虑了两种模型 1 ARMA模型残差的多变量GARCH过程 2 ARMA-GARCH过程残差的多变量模型(基于Copula) 1 ARMA-GARCH模型 > fit1 = garchFit(formula = ~arma(2,1)+ garch(1,1),data = dat [,1],cond.dist =“std”)可视化波动 隐含的相关性 > emwa_series_cor = function(i = 1,j = 2){+ if((min(i,j)== 1)&(max(i,j)== 2)){+ a = 1; B = 5; AB = 2} +}BEKK11(dat_arma) 隐含的相关性 对单变量GARCH模型残差建模 第一步可能是考虑残差的静态(联合)分布。单变量边际分布是 而联合密度为 可视化 密度 查看相关性是否随着时间的推移而稳定。 对相关性建模,考虑DCC模型 对数据进行预测 > fcst = dccforecast(dcc.fit,n.ahead = 200) 我们已经完全掌握了多元GARCH模型的使用,接下来就可以放手去用R处理时间序列了! |
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 |