R語言基於ARMA-GARCH-VaR模型擬合和預測實證研究分析案例
阿新 • • 發佈:2019-05-07
msg 市場調查 不能 說明 param uga resid 線下 mar (在此處使用正確的已知訂單;通常適合不同訂單的流程然後決定)。
本文顯示了如何基於潛在的ARMA-GARCH過程(當然也涉及更廣泛意義上的QRM)來擬合和預測風險價值(VaR)。
1 從ARMA-GARCH進程模擬(log-return)數據
我們考慮使用\(t \)分布式創新的ARMA(1,1)-GARCH(1,1)過程。
模擬一條路徑(用於說明目的)。
nu <- 3 # d.o.f. of the standardized distribution of Z_t
fixed.p <- list(mu = 0, # our mu (intercept)
ar1 = 0.5, # our phi_1 (AR(1) parameter of mu_t)
ma1 = 0.3, # our theta_1 (MA(1) parameter of mu_t)
omega = 4, # our alpha_0 (intercept)
alpha1 = 0.4, # our alpha_1 (GARCH(1) parameter of sigma_t^2)
beta1 = 0.2, # our beta_1 (GARCH(1) parameter of sigma_t^2)
shape = nu) # d.o.f. nu for standardized t_nu innovations
armaOrder <- c(1,1) # ARMA order
garchOrder <- c(1,1) # GARCH order
varModel <- list(model = "sGARCH", garchOrder = garchOrder)
spec <- ugarchspec(varModel, mean.model = list(armaOrder = armaOrder),
fixed.pars = fixed.p, distribution.model = "std") # t standardized residuals
作為一個完整性檢查,讓我們繪制模擬路徑,條件標準偏差和殘差。
plot(X, type = "l", xlab = "t", ylab = expression(X[t]))
plot(sig, type = "h", xlab = "t", ylab = expression(sigma[t]))
plot(eps, type = "l", xlab = "t", ylab = expression(epsilon[t]))
2將ARMA-GARCH模型擬合到(模擬)數據
適合ARMA-GARCH流程X
讓我們再考慮一些健全性檢查。
## Fit an ARMA(1,1)-GARCH(1,1) model spec <- ugarchspec(varModel, mean.model = list(armaOrder = armaOrder), distribution.model = "std") # without fixed parameters here fit <- ugarchfit(spec, data = X) # fit ## Extract the resulting series mu. <- fitted(fit) # fitted hat{mu}_t (= hat{X}_t) sig. <- sigma(fit) # fitted hat{sigma}_t ## Sanity checks (=> fitted() and sigma() grab out the right quantities) stopifnot(all.equal(as.numeric(mu.), [email protected]$fitted.values), all.equal(as.numeric(sig.), [email protected]$sigma))
3計算VaR時間序列
計算VaR估計值。請註意,我們也可以在這裏使用基於GPD的估算器。
4 Backtest VaR估計值
讓我們回顧一下VaR的估計。
## [1] 10
## [1] 12
## [1] "Correct Exceedances"
## [1] "Fail to Reject H0"
## [1] "Correct Exceedances & Independent"
## [1] "Fail to Reject H0"
5基於擬合模型預測VaR
現在預測VaR。
6模擬\((X_t)\)的未來軌跡並計算相應的VaR
模擬路徑,估計每個模擬路徑的VaR(註意quantile()
這裏不能使用,因此我們必須手動構建VaR)並計算\(\ mathrm {VaR} _ \ alpha \)的自舉置信區間。
7
最後,讓我們顯示所有結果。
有問題嗎?聯系我們!
大數據部落 -中國專業的第三方數據服務提供商,提供定制化的一站式數據挖掘和統計分析咨詢服務
統計分析和數據挖掘咨詢服務:y0.cn/teradat(咨詢服務請聯系官網客服)
【服務場景】
科研項目; 公司項目外包;線上線下一對一培訓;數據采集;學術研究;報告撰寫;市場調查。
【大數據部落】提供定制化的一站式數據挖掘和統計分析咨詢服務
R語言基於ARMA-GARCH-VaR模型擬合和預測實證研究分析案例