【R语言实战】——fGARCH包在金融时序上的模拟应用

简介: 【R语言实战】——fGARCH包在金融时序上的模拟应用

该篇文章主要展示了应用fGARCH包进行(标准)有偏正态分布;有偏学生t分布;有偏广义误差分布的概率密度,分布函数,分位数 模拟等。

1 (标准)有偏正态分布的概率密度、分布函数、分位数模拟

1.1 有偏正态分布的概率密度模拟

  运行程序:

library(fGarch)
x1<-rsnorm(100)                                #随机生成100个样本
plot(x1,dsnorm(x1))

  运行结果:

1.2 有偏正态分布的分布函数模拟

  运行程序:

plot(x1,psnorm(x1))

  运行结果:

1.3 有偏正态分布的分位数模拟

  运行程序:

plot(x1,qsnorm(psnorm(x1)))

  运行结果:

1.4 分布模拟

  运行程序:

snormFit(x1) # 分布拟合

  运行结果:

## $par
##       mean         sd         xi 
## -0.2501958  0.8629489  1.1334867 
## 
## $objective
## [1] 126.8028
## 
## $convergence
## [1] 0
## 
## $iterations
## [1] 22
## 
## $evaluations
## function gradient 
##       33      112 
## 
## $message
## [1] "relative convergence (4)"

2 (标准)有偏学生t分布的概率密度、分布函数、分位数模拟

2.1 有偏学生t分布的概率密度模拟

  运行程序:

x2<-rsstd(100)                 #随机生成100个样本
data.frame(x2,dsstd(x2))[1:6,] #计算概率密度并展示部分数据
plot(x2,dsstd(x2))

  运行结果:

##           x2 dsstd.x2.
## 1 -0.1495190 0.4771599
## 2 -1.0836976 0.2366773
## 3 -0.2211325 0.4909757
## 4 -1.2288359 0.1607428
## 5  0.6813840 0.2429493
## 6 -0.3467604 0.5091114

2.2 有偏学生t分布的分布函数模拟

  运行程序:

data.frame(x2,psstd(x2))[1:6,]       #计算分布函数并展示部分数据
plot(x2,psstd(x2))

  运行结果:

##           x2  psstd.x2.
## 1 -0.1495190 0.50157326
## 2 -1.0836976 0.08475630
## 3 -0.2211325 0.46689365
## 4 -1.2288359 0.05617424
## 5  0.6813840 0.80365501
## 6 -0.3467604 0.40398769

2.3 有偏学生t分布的分位数模拟

  运行程序:

plot(x2,qsstd(psstd(x2)))

  运行结果:

2.4 分布拟合

  运行程序:

sstdFit(x2)                     #分布拟合

  运行结果:

## $minimum
## [1] 118.1468
## 
## $estimate
##        mean          sd          nu          xi 
##  0.06964977  0.83348301 10.50162889  1.53832070 
## 
## $gradient
##          mean            sd            nu            xi 
##  2.317790e-05 -3.623768e-05 -3.058243e-07 -1.904855e-05 
## 
## $code
## [1] 1
## 
## $iterations
## [1] 25

3 (标准)有偏广义误差分布的概率密度、分布函数、分位数模拟

3.1 有偏广义误差分布的概率密度模拟

  运行程序:

x3<-rsged(100)                 #随机生成100个样本
data.frame(x3,dsged(x3))[1:6,] #计算概率密度并展示部分数据
plot(x3,dsged(x3))

  运行结果:

##            x3 dsged.x3.
## 1  0.16139770 0.3515725
## 2  0.73639382 0.2517904
## 3  0.05175242 0.3669333
## 4  0.25669157 0.3369094
## 5  1.39325501 0.1372854
## 6 -1.53710781 0.1177475

3.2 有偏广义误差分布的分布函数模拟

  运行程序:

plot(x3,psged(x3))

  运行结果:

3.3 有偏广义误差分布的分位数模拟

  运行程序:

plot(x3,qsged(psged(x3)))

  运行结果:

3.4 分布拟合

  运行程序:

sgedFit(x3)                   #分布拟合

  运行结果:

## $par
##      mean        sd        nu        xi 
## 0.2094775 0.9627933 2.4036400 1.3220748 
## 
## $objective
## [1] 136.4951
## 
## $convergence
## [1] 0
## 
## $iterations
## [1] 16
## 
## $evaluations
## function gradient 
##       27       82 
## 
## $message
## [1] "relative convergence (4)"


相关文章
|
3月前
|
存储 数据采集 数据处理
R语言数据变换:使用tidyr包进行高效数据整形的探索
【8月更文挑战第29天】`tidyr`包为R语言的数据整形提供了强大的工具。通过`pivot_longer()`、`pivot_wider()`、`separate()`和`unite()`等函数,我们可以轻松地将数据从一种格式转换为另一种格式,以满足不同的分析需求。掌握这些函数的使用,将大大提高我们处理和分析数据的效率。
|
21天前
|
存储 数据可视化 数据挖掘
R语言在生物信息学中的应用
【10月更文挑战第21天】生物信息学是生物学、计算机科学和信息技术相结合的交叉学科,主要研究生物大分子信息的存储、处理、分析和解释。R语言作为一种强大的统计分析工具,被广泛应用于生物信息学领域。本文将介绍R语言在生物信息学中的应用,包括基因组学、转录组学、蛋白质组学、代谢组学等方面,帮助读者了解R语言在生物信息学中的重要性和应用前景。
45 4
|
21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。
40 3
|
21天前
|
机器学习/深度学习 数据采集 人工智能
R语言是一种强大的编程语言,广泛应用于统计分析、数据可视化、机器学习等领域
R语言是一种广泛应用于统计分析、数据可视化及机器学习的强大编程语言。本文为初学者提供了一份使用R语言进行机器学习的入门指南,涵盖R语言简介、安装配置、基本操作、常用机器学习库介绍及实例演示,帮助读者快速掌握R语言在机器学习领域的应用。
47 3
|
21天前
|
机器学习/深度学习 并行计算 数据挖掘
R语言是一种强大的统计分析工具,广泛应用于数据分析和机器学习领域
【10月更文挑战第21天】R语言是一种强大的统计分析工具,广泛应用于数据分析和机器学习领域。本文将介绍R语言中的一些高级编程技巧,包括函数式编程、向量化运算、字符串处理、循环和条件语句、异常处理和性能优化等方面,以帮助读者更好地掌握R语言的编程技巧,提高数据分析的效率。
38 2
|
2月前
|
数据采集 数据可视化 数据挖掘
R语言在金融数据分析中的深度应用:探索数据背后的市场智慧
【9月更文挑战第1天】R语言在金融数据分析中展现出了强大的功能和广泛的应用前景。通过丰富的数据处理函数、强大的统计分析功能和优秀的可视化效果,R语言能够帮助金融机构深入挖掘数据价值,洞察市场动态。未来,随着金融数据的不断积累和技术的不断进步,R语言在金融数据分析中的应用将更加广泛和深入。
|
2月前
|
机器学习/深度学习 算法 数据挖掘
R语言中的支持向量机(SVM)与K最近邻(KNN)算法实现与应用
【9月更文挑战第2天】无论是支持向量机还是K最近邻算法,都是机器学习中非常重要的分类算法。它们在R语言中的实现相对简单,但各有其优缺点和适用场景。在实际应用中,应根据数据的特性、任务的需求以及计算资源的限制来选择合适的算法。通过不断地实践和探索,我们可以更好地掌握这些算法并应用到实际的数据分析和机器学习任务中。
|
3月前
|
机器学习/深度学习 资源调度 算法
R语言逻辑回归与分类模型的深度探索与应用
【8月更文挑战第31天】逻辑回归作为一种经典的分类算法,在R语言中通过`glm()`函数可以轻松实现。其简单、高效且易于解释的特点,使得它在处理二分类问题时具有广泛的应用价值。然而,值得注意的是,逻辑回归在处理非线性关系或复杂交互作用时可能表现不佳,此时可能需要考虑其他更复杂的分类模型。
|
3月前
|
数据挖掘
R语言方差分析(ANOVA):理解与应用
【8月更文挑战第31天】ANOVA是一种强大的统计方法,用于比较三个或更多组之间的均值差异。在R语言中,我们可以轻松地使用`aov()`函数进行ANOVA分析,并通过后置检验(如TukeyHSD检验)来进一步分析哪些组之间存在显著差异。ANOVA在多个领域都有广泛的应用,是数据分析中不可或缺的工具之一。
|
3月前
|
程序员 数据处理
R语言控制结构:条件判断与循环在R中的应用
【8月更文挑战第27天】R语言中的条件判断和循环结构是编程中不可或缺的部分,它们允许程序员根据特定的条件或规则来控制程序的执行流程。通过灵活使用这些控制结构,可以编写出高效、可维护的R语言代码,以应对复杂的数据处理和分析任务。

热门文章

最新文章