ARMA-GARCH-COPULA模型和金融时间序列案例|附代码数据
原文链接： http://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 =“，”）
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 1.54002 1997-01-17 -3.40326 -6.01433 -3.8249 -4.10763 1997-01-24 -4.09531 -1.43076 -6.6375 -4.61664 1997-01-31 -0.65789 0.34873 0.7326 -1.51225 1997-02-07 -3.14293 -1.97765 -0.7326 -1.87986 1997-02-14 -5.60321 -7.84534 -7.6372 -11.0549
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 < - apply（dat_arma，2，mean）
> v < - apply（dat_arma，2，var）
> dat_arma_std < - t（（t（dat_arma）-m）/ sqrt（v））
ARMA-GARCH模型
> 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）
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
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））
+}
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]）
从单变量GARCH模型中模拟残差
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 < - 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）
+}
可以考虑这个
函数，
计算三个序列的的经验版本，并将其与一些参数版本进行比较，
>
> 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]））
+
但人们可能想知道相关性是否随时间稳定。
> 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
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）
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
