原文链接:/?p=23115
原文出处:拓端数据部落公众号
在这个文章中,我们演示了copula GARCH方法(一般情况下)。
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
1 模拟数据
首先,我们模拟一下创新分布。我们选择了一个小的样本量。理想情况下,样本量应该更大,更容易发现GARCH效应。
## 模拟创新d <- 2 # 维度tau <- 0.5 # Kendall's tauCopula("t", param = th, dim = d, df = nu) # 定义copula对象rCopula(n, cop) # 对copula进行采样sqrt((nu.-2)/nu.) * qt(U, df = nu) # 对于ugarchpath()来说,边缘必须具有均值0和方差1!
现在我们用这些copula依赖的创新分布来模拟两个ARMA(1,1)-GARCH(1,1)过程。
## 边缘模型的参数fixed.p <- list(mu = 1,spec(varModel, meanModel,fixed.pars ) # 条件创新密度(或使用,例如,"std")## 使用创新模拟ARMA-GARCH模型## 注意: ugarchpath(): 从spec中模拟;garchpath(uspec,n.sim = n, # 模拟的路径长度## 提取结果系列X. <- fitted(X) # X_t = mu_t + eps_t (simulated process)## 基本检查:stopifnot(all.equal(X., X@path$seriesSim, check.attributes = FALSE),## 绘制边缘函数plot(X., type = "l", xlab = "t")
2 基于模拟数据的拟合程序
我们现在展示如何对X进行ARMA(1,1)-GARCH(1,1)过程的拟合(我们删除参数fixed.pars来估计这些参数)。
spec(varModel, mean.model = meanModel)ugarchfit(uspec, data = x))
检查(标准化的)Z,即残差Z的伪观测值。
plot(U.)
对于边缘分布,我们也假定为t分布,但自由度不同。
fit("t", dim = 2), data = U., method = "mpl")
nu. <- rep(nu., d) # 边缘自由度est <- cbind(fitted = c(estimate, nu.), true = c(th, nu, nu.)) # 拟合与真实值
3 从拟合的时间序列模型进行模拟
从拟合的copula 模型进行模拟。
set.seed(271) # 可重复性sapply(1:d, function(j) sqrt((nu[j]-2)/nu[j]) * qt(U[,j], df = nu[j]))## => 创新必须是标准化的garch()sim(fit[[j]], n.sim = n, m.sim = 1,
并绘制出每个结果序列(XtXt)。
apply(sim,fitted(x)) # 模拟序列plot(X.., type = "l")
最受欢迎的见解
1.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用
2.R语言GARCH-DCC模型和DCC(MVT)建模估计
3.R语言实现 Copula 算法建模依赖性案例分析报告
4.R语言COPULAS和金融时间序列数据VaR分析
5.R语言多元COPULA GARCH 模型时间序列预测
6.用R语言实现神经网络预测股票实例
7.r语言预测波动率的实现:ARCH模型与HAR-RV模型
8.R语言如何做马尔科夫转换模型markov switching model
9.matlab使用Copula仿真优化市场风险