R语言BUGS序列蒙特卡罗SMC、马尔可夫转换随机波动率SV模型、粒子滤波、Metropolis Hasting采样时间序列分析

简介: R语言BUGS序列蒙特卡罗SMC、马尔可夫转换随机波动率SV模型、粒子滤波、Metropolis Hasting采样时间序列分析

在这个例子中,我们考虑马尔可夫转换随机波动率模型。

统计模型

设 yt为因变量,xt 为 yt 未观察到的对数波动率。对于 t≤tmax,随机波动率模型定义如下

状态变量 ct 遵循具有转移概率的二状态马尔可夫过程

N(m,σ2)表示均值 m 和方差 σ2的正态分布。

BUGS语言统计模型

文件内容 'vol.bug'

dlfie = 'vol.bug' #BUGS模型文件名

设置

设置随机数生成器种子以实现可重复性

set.seed(0)

加载模型和数据

模型参数

dt = lst(t\_mx=t\_mx, sa=sima,
            alha=alpa, phi=pi, pi=pi, c0=c0, x0=x0)

解析编译BUGS模型,以及样本数据

modl(mol\_le, ata,sl\_da=T)

绘制数据

plot(1:tmx, y, tpe='l',xx = 'n')

对数收益率



点击标题查阅往期内容


Python随机波动率(SV)模型对标普500指数时间序列波动性预测



左右滑动查看更多



01

02

03

04


序列蒙特卡罗_Sequential Monte Carlo_

运行
n= 5000 # 粒子的数量
var= c('x') # 要监测的变量
out = smc(moe, vra, n)

模型诊断

diagnosis(out)

绘图平滑 ESS

plt(ess, tpe='l')
lins(1:ta, ep(0,tmx))

SMC:SESS

绘制加权粒子

plt(1:tax, out,)
for (t in 1:_ax) {
  vl = uiq(valest,\])
  wit = sply(vl, UN=(x) {
    id = utm$$sles\[t,\] == x
    rtrn(sm(wiht\[t,ind\]))
  })
  pints(va)
}
lies(1t_x, at$xue)

粒子(平滑)

汇总统计

summary(out)

绘图滤波估计

men = mean
qan = quant
x = c(1:tmx, _a:1)
y = c(fnt, ev(x__qat))
plot(x, y)
pln(x, y, col)
lines(1:tma,x_ean)

滤波估计

绘图平滑估计

plt(x,y, type='')
polgon(x, y)
lins(1:tmx, mean)

平滑估计

边缘滤波和平滑密度

denty(out)
indx = c(5, 10, 15)
for (k in 1:legh) {
  inex
  plt(x)
  pints(xtruek
k)
}

边缘后验

粒子独立 Metropolis-Hastings

运行

mh = mit(mol, vre)

mh(bm, brn, prt) # 预烧迭代

mh(bh, ni, n_at, hn=tn) # 返回样本

一些汇总统计

smay(otmh, pro=c(.025, .975))

后验均值和分位数

mean
quant
plot(x, y)
polo(x, y, border=NA)
lis(1:tax, mean)

后验均值和分位数

MCMC 样本的踪迹图

for (k in 1:length {
  tk = idxk
k
  plot(outtk,
tk,
    )
  points(0, xtetk)
}

跟踪样本

后验直方图

for (k in 1:lngh) {
  k = inexk
k
  hit(mh$xt,
t,)
  poits(truet
t)
}

后边缘直方图

后验的核密度估计

for (k in 1:lnth(ie)) {
 idxk
k
  desty(outt,
t,)
  plt(eim)
  poit(xtut
t)
}

KDE 后验边缘估计

敏感性分析

我们想研究对参数 α 值的敏感性

算法参数

nr = 50 # 粒子的数量
gd <- seq(-5,2,.2) # 一个成分的数值网格
A = rep(grd, tes=leg) # 第一个成分的值
B = rep(grd, eah=lnh) # 第二个成分的值
vaue = ist('lph' = rid(A, B))

运行灵敏度分析

sny(oel,aaval, ar)

绘制对数边缘似然和惩罚对数边缘似然

# 通过阈值处理避免标准化问题
thr = -40
z = atx(mx(thr, utike), row=enth(rd))

plot(z, row=grd, col=grd,
          at=sq(thr))

敏感性:对数似然


相关文章
|
5天前
|
数据挖掘 C语言 C++
R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。
【10月更文挑战第21天】时间序列分析是一种重要的数据分析方法,广泛应用于经济学、金融学、气象学、生态学等领域。R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。本文将介绍使用R语言进行时间序列分析的基本概念、方法和实例,帮助读者掌握R语言在时间序列分析中的应用。
20 3
|
6月前
【R语言实战】——带有高斯新息的金融时序的GARCH模型拟合预测及VAR/ES风险度量
【R语言实战】——带有高斯新息的金融时序的GARCH模型拟合预测及VAR/ES风险度量
|
6月前
【R语言实战】——带有新息为标准学生t分布的金融时序的GARCH模型拟合预测
【R语言实战】——带有新息为标准学生t分布的金融时序的GARCH模型拟合预测
|
2月前
|
机器学习/深度学习 算法 前端开发
R语言基础机器学习模型:深入探索决策树与随机森林
【9月更文挑战第2天】决策树和随机森林作为R语言中基础且强大的机器学习模型,各有其独特的优势和适用范围。了解并熟练掌握这两种模型,对于数据科学家和机器学习爱好者来说,无疑是一个重要的里程碑。希望本文能够帮助您更好地理解这两种模型,并在实际项目中灵活应用。
|
3月前
|
数据采集 存储 数据可视化
R语言时间序列分析:处理与建模时间序列数据的深度探索
【8月更文挑战第31天】R语言作为一款功能强大的数据分析工具,为处理时间序列数据提供了丰富的函数和包。从数据读取、预处理、建模到可视化,R语言都提供了灵活且强大的解决方案。然而,时间序列数据的处理和分析是一个复杂的过程,需要结合具体的应用场景和需求来选择合适的方法和模型。希望本文能为读者在R语言中进行时间序列分析提供一些有益的参考和启示。
|
3月前
|
资源调度 数据挖掘
R语言回归分析:线性回归模型的构建与评估
【8月更文挑战第31天】线性回归模型是统计分析中一种重要且实用的工具,能够帮助我们理解和预测自变量与因变量之间的线性关系。在R语言中,我们可以轻松地构建和评估线性回归模型,从而对数据背后的关系进行深入的探索和分析。
|
6月前
【R语言实战】——Logistic回归模型
【R语言实战】——Logistic回归模型
|
6月前
|
数据可视化
R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码2
R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码
|
6月前
|
数据可视化 数据挖掘
R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码1
R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码
|
6月前
|
机器学习/深度学习 数据可视化
R语言Stan贝叶斯回归置信区间后验分布可视化模型检验|附数据代码
R语言Stan贝叶斯回归置信区间后验分布可视化模型检验|附数据代码

热门文章

最新文章