ARMA-GARCH-COPULA模子和金融时间序列案例|附代码数据
原文链接:
比来我被要求撰写关于金融时间序列的copulas的查询拜访
从读取数据中获得各类模子的描述,包罗一些图形和统计输出。
oil = read.xlsx(temp,sheetName =“DATA”,dec =“,”)
然后我们能够绘造那三个时间序列
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
那个设法是在那里利用一些多变量ARMA-GARCH过程。那里的启发式是第一部门用于模仿时间序列均匀值的动态,第二部门用于模仿时间序列方差的动态。
本文考虑了两种模子
关于ARMA模子残差的多变量GARCH过程(或方差矩阵动力学模子)
关于ARMA-GARCH过程残差的多变量模子(基于copula)
因而,那里将考虑差别的序列,做为差别模子的残差获得。我们还能够将那些残差原则化。
展开全文
ARMA模子
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 - apply(dat_arma,2,mean)
v - apply(dat_arma,2,var)
dat_arma_std - t((t(dat_arma)-m)/ sqrt(v))
ARMA-GARCH模子
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 - apply(dat_res,2,mean)
v_res - apply(dat_res,2,var)
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]))
多变量GARCH模子
能够考虑的第一个模子是协方差矩阵的多变量EWMA,
ewma = EWMAvol(dat_res_std,lambda = 0.96)
颠簸性
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
点击题目查阅往期内容
R语言基于ARMA-GARCH过程的VaR拟合和揣测
摆布滑动查看更多
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))
多变量GARCH,即BEKK(1,1)模子,例如利用:
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])
从单变量GARCH模子中模仿残差
第一步可能是考虑残差的一些静态(结合)散布。单变量边沿散布是
边沿密度的轮廓(利用双变量核估量器获得)
也能够将copula密度可视化(上面有一些非参数估量,下面是参数copula)
copula_NP = function(i = 1,j = 2){
+ n = nrow(uv)
+ s = 0.3
+ norm.cop - normalCopula(0.5)
+ norm.cop - normalCopula(fitCopula(norm.cop,uv)@estimate)
+ dc = function(x,y)dCopula(cbind(x,y),norm.cop)
+ ylab = names(dat)[j],zlab =“copule Gaussienne”,ticktype =“detailed”,zlim = zl)
+ t.cop - tCopula(0.5,df = 3)
+ t.cop - tCopula(t.fit [1],df = t.fit [2])
+ ylab = names(dat)[j],zlab =“copule de Student”,ticktype =“detailed”,zlim = zl)
能够考虑那个函数,
计算三个序列的的体味版本,并将其与一些参数版本停止比力,
lambda = function(C){
+ l = function(u)pcopula(C,cbind(u,u))/ u
+ v = Vectorize(l)(u)
+ return(c(v,rev(v)))
graph_lambda = function(i,j){
+ X = dat_res
+ U = rank(X [,i])/(nrow(X)+1)
+ V = rank(X [,j])/(nrow(X)+1)
+ normal.cop - normalCopula(.5,dim = 2)
+ t.cop - tCopula(.5,dim = 2,df = 3)
+ fit1 = fitCopula(normal.cop,cbind(U,V),method =“ml”)
d(U,V),method =“ml”)
+ C1 = normalCopula(fit1 @ copula @ parameters,dim = 2)
+ C2 = tCopula(fit2 @ copula @ parameters [1],dim = 2,df = trunc(fit2 @ copula @ parameters [2]))
但人们可能想晓得相关性能否随时间不变。
time_varying_correl_2 = function(i = 1,j = 2,
+ nom_arg =“Pearson”){
+ uv = dat_arma [,c(i,j)]
nom_arg))[1,2]
time_varying_correl_2(1,2)
time_varying_correl_2(1,2,“spearman”)
time_varying_correl_2(1,2,“kendall”)
斯皮尔曼与时变排名相关系数
或肯德尔 相关系数
为了模子的相关性,考虑DCC模子(S)
m2 = dccFit(dat_res_std)
m3 = dccFit(dat_res_std,type =“Engle”)
R2 = m2 $ rho.t
R3 = m3 $ rho.t
要获得一些揣测, 利用例如
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)
本文摘选 《 R语言ARMA-GARCH-COPULA模子和金融时间序列案例 》 ,点击“阅读原文”获取全文完全材料。
点击题目查阅往期内容
时间序列阐发:ARIMA GARCH模子阐发股票价格数据
GJR-GARCH和GARCH颠簸率揣测普尔指数时间序列和Mincer Zarnowitz回回、DM查验、JB查验
【视频】时间序列阐发:ARIMA-ARCH / GARCH模子阐发股票价格
时间序列GARCH模子阐发股市颠簸率
PYTHON用GARCH、离散随机颠簸率模子DSV模仿估量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 模子阐发股票指数VaR、前提CVaR:多元化投资组合揣测风险测度阐发
Garch颠簸率揣测的区造转移交易战略
金融时间序列模子ARIMA 和GARCH 在股票市场揣测利用
时间序列阐发模子:ARIMA-ARCH / GARCH模子阐发股票价格
R语言风险价值:ARIMA,GARCH,Delta-normal法滚动估量VaR(Value at Risk)和回测阐发股票数据
R语言GARCH建模常用软件包比力、拟合原则普尔SP 500指数颠簸率时间序列和揣测可视化
Python金融时间序列模子ARIMA 和GARCH 在股票市场揣测利用
MATLAB用GARCH模子对股票市场收益率时间序列颠簸的拟合与揣测R语言GARCH-DCC模子和DCC(MVT)建模估量
Python 用ARIMA、GARCH模子揣测阐发股票市场收益率时间序列
R语言中的时间序列阐发模子:ARIMA-ARCH / GARCH模子阐发股票价格
R语言ARIMA-GARCH颠簸率模子揣测股票市场苹果公司日收益率时间序列
Python利用GARCH,EGARCH,GJR-GARCH模子和蒙特卡洛模仿停止股价揣测
R语言时间序列GARCH模子阐发股市颠簸率
R语言ARMA-EGARCH模子、集成揣测算法对SPX现实颠簸率停止揣测
matlab实现MCMC的马尔可夫转换ARMA - GARCH模子估量
Python利用GARCH,EGARCH,GJR-GARCH模子和蒙特卡洛模仿停止股价揣测
利用R语言对S&P500股票指数停止ARIMA + GARCH交易战略
R语言用多元ARMA,GARCH ,EWMA, ETS,随机颠簸率SV模子对金融时间序列数据建模
R语言股票市场指数:ARMA-GARCH模子和对数收益率数据探痛快阐发
R语言多元Copula GARCH 模子时间序列揣测
R语言利用多元AR-GARCH模子权衡市场风险
R语言中的时间序列阐发模子:ARIMA-ARCH / GARCH模子阐发股票价格
R语言用Garch模子和回回模子对股票价格阐发
GARCH(1,1),MA以及汗青模仿法的VaR比力
matlab估量arma garch 前提均值和方差模子R语言POT超阈值模子和极值理论EVT阐发