原文 http://tecdat.cn/?p=3385

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。

 

1. 


2. 


3. > oil = read.xlsx（temp，sheetName =“DATA”，dec =“，”）

4. 


 

然后我们可以绘制这三个时间序列

1. 1 1997-01-10 2.73672 2.25465 3.3673 1.5400

2. 


3. 2 1997-01-17 -3.40326 -6.01433 -3.8249 -4.1076

4. 


5. 3 1997-01-24 -4.09531 -1.43076 -6.6375 -4.6166

6. 


7. 4 1997-01-31 -0.65789 0.34873 0.7326 -1.5122

8. 


9. 5 1997-02-07 -3.14293 -1.97765 -0.7326 -1.8798

10. 


11. 6 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

1. > fit1 = arima（x = dat [，1]，order = c（2,0,1））

2. > fit2 = arima（x = dat [，2]，order = c（1,0,1））

3. > fit3 = arima（x = dat [，3]，order = c（1,0,1））

4. > m < - apply（dat_arma，2，mean）

5. > v < - apply（dat_arma，2，var）

6. > dat_arma_std < - t（（t（dat_arma）-m）/ sqrt（v））

 

ARMA-GARCH模型

1. > fit1 = garchFit（formula = ~arma（2,1）+ garch（1,1），data = dat [，1]，cond.dist =“std”）

2. > fit2 = garchFit（formula = ~arma（1,1）+ garch（1,1），data = dat [，2]，cond.dist =“std”）

3. > fit3 = garchFit（formula = ~arma（1,1）+ garch（1,1），data = dat [，3]，cond.dist =“std”）

4. > m_res < - apply（dat_res，2，mean）

5. > v_res < - apply（dat_res，2，var）

6. > 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

1. > emwa_series_vol = function（i = 1）{

2. + lines（Time，dat_arma [，i] + 40，col =“gray”）

3. + j = 1

4. + if（i == 2）j = 5

5. + if（i == 3）j = 9

 

隐含相关性

1. > emwa_series_cor = function（i = 1，j = 2）{

2. + if（（min（i，j）== 1）＆（max（i，j）== 2））{

3. + a = 1; B = 9; AB = 3}

4. + r = ewma $ Sigma.t [，ab] / sqrt（ewma $ Sigma.t [，a] *

5. + ewma $ Sigma.t [，b]）

6. + plot（Time，r，type =“l”，ylim = c（0,1））

7. +}

 

多变量GARCH，即BEKK（1,1）模型，例如使用：

1. > bekk = BEKK11（dat_arma）

2. > bekk_series_vol function（i = 1）{

3. + plot（Time， $ Sigma.t [，1]，type =“l”，

4. + ylab = （dat）[i]，col =“white”，ylim = c（0,80））

5. + lines（Time，dat_arma [，i] + 40，col =“gray”）

6. + j = 1

7. + if（i == 2）j = 5

8. 


9. + if（i == 3）j = 9

10. 


11. > bekk_series_cor = function（i = 1，j = 2）{

12. + a = 1; B = 5; AB = 2}

13. + a = 1; B = 9; AB = 3}

14. + a = 5; B = 9; AB = 6}

15. + r = bk $ Sigma.t [，ab] / sqrt（bk $ Sigma.t [，a] *

16. + 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）

1. > copula_NP = function（i = 1，j = 2）{

2. + n = nrow（uv）

3. + s = 0.3

4. 


5. + norm.cop < - normalCopula（0.5）

6. + norm.cop < - normalCopula（fitCopula（norm.cop，uv）@estimate）

7. + dc = function（x，y）dCopula（cbind（x，y），norm.cop）

10. + ylab = names（dat）[j]，zlab =“copule Gaussienne”，ticktype =“detailed”，zlim = zl）

11. +

12. + t.cop < - tCopula（0.5，df = 3）

13. + t.cop < - tCopula（t.fit [1]，df = t.fit [2]）

16. + ylab = names（dat）[j]，zlab =“copule de Student”，ticktype =“detailed”，zlim = zl）

17. +}

 

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，

1. >

2. 


3. > lambda = function（C）{

4. + l = function（u）pcopula（C，cbind（u，u））/ u

5. + v = Vectorize（l）（u）

6. + return（c（v，rev（v）））

7. +}

8. >

9. 


10. > graph_lambda = function（i，j）{

11. + X = dat_res

12. + U = rank（X [，i]）/（nrow（X）+1）

13. + V = rank（X [，j]）/（nrow（X）+1）

14. 


15. + normal.cop < - normalCopula（.5，dim = 2）

16. + t.cop < - tCopula（.5，dim = 2，df = 3）

17. + fit1 = fitCopula（normal.cop，cbind（U，V），method =“ml”）

18. d（U，V），method =“ml”）

19. + C1 = normalCopula（fit1 @ copula @ parameters，dim = 2）

20. + C2 = tCopula（fit2 @ copula @ parameters [1]，dim = 2，df = trunc（fit2 @ copula @ parameters [2]））

21. +

但人们可能想知道相关性是否随时间稳定。

1. > time_varying_correl_2 = function（i = 1，j = 2，

2. + nom_arg =“Pearson”）{

3. + uv = dat_arma [，c（i，j）]

4. nom_arg））[1,2]

5. +}

6. > time_varying_correl_2（1,2）

8. > time_varying_correl_2（1,2，“spearman”）

10. > 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）

1. > m2 = dccFit（dat_res_std）

2. > m3 = dccFit（dat_res_std，type =“Engle”）

3. > R2 = m2 $ rho.t

4. > R3 = m3 $ rho.t

 

要获得一些预测， 使用例如

1. > garch11.spec = ugarchspec（mean.model = list（armaOrder = c（2,1）），variance.model = list（garchOrder = c（1,1），model =“GARCH”））

2. > dcc.garch11.spec = dccspec（uspec = multispec（replicate（3，garch11.spec）），dccOrder = c（1,1），

3. distribution =“mvnorm”）

4. > dcc.fit = dccfit（dcc.garch11.spec，data = dat）

5. > fcst = dccforecast（dcc.fit，n.ahead = 200）

 

 

最受欢迎的见解

1.HAR-RV-J与递归神经网络（RNN）混合模型预测和交易大型股票指数的高频波动率

2.R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长

3.波动率的实现：ARCH模型与HAR-RV模型

4.R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测

5.GARCH（1,1），MA以及历史模拟法的VaR比较

6.R语言多元COPULA GARCH 模型时间序列预测

7.R语言基于ARMA-GARCH过程的VAR拟合和预测

8.matlab预测ARMA-GARCH 条件均值和方差模型

9.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略