【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

简介: 【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

该篇文章主要展示了应用一个带有标准学生t分布新息的GARCH(1,1)模型,对数据进行拟合并且预测风险损失,同时进行了风险价值VaR和局部均值ES的度量,附完整代码及分析。

1 数据读取及预处理

  运行程序:

da=read.table("F:\\ch7data\\d-ibm-0110.txt",header=T)
xt=-log(da$return+1)   # calculate negative log returns.library(fGarch)

2 GARCH模型拟合

  此处为作演示,拟合GARCH(1,1)模型。

  运行程序:

library(fGarch)
m2=garchFit(~garch(1,1),data=xt,trace=F,cond.dist="std")
m2

  运行结果:

## 
## Title:
##  GARCH Modelling 
## 
## Call:
##  garchFit(formula = ~garch(1, 1), data = xt, cond.dist = "std", 
##     trace = F) 
## 
## Mean and Variance Equation:
##  data ~ garch(1, 1)
## <environment: 0x0000000018857168>
##  [data = xt]
## 
## Conditional Distribution:
##  std 
## 
## Coefficient(s):
##          mu        omega       alpha1        beta1        shape  
## -4.1127e-04   1.9223e-06   6.4480e-02   9.2863e-01   5.7513e+00  
## 
## Std. Errors:
##  based on Hessian 
## 
## Error Analysis:
##          Estimate  Std. Error  t value Pr(>|t|)    
## mu     -4.113e-04   2.254e-04   -1.824  0.06811 .  
## omega   1.922e-06   7.417e-07    2.592  0.00954 ** 
## alpha1  6.448e-02   1.323e-02    4.874 1.09e-06 ***
## beta1   9.286e-01   1.407e-02   65.993  < 2e-16 ***
## shape   5.751e+00   6.080e-01    9.459  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Log Likelihood:
##  7218.69    normalized:  2.870254

3 模型预测

  此处预测未来三期情况。

  运行程序:

predict(m2,3)

  运行结果:

##    meanForecast   meanError standardDeviation
## 1 -0.0004112737 0.008100874       0.008100874
## 2 -0.0004112737 0.008191121       0.008191121
## 3 -0.0004112737 0.008279774       0.008279774

4 VAR、ES风险度量

  运行程序:

source("F:\\ch7data\\RMeasure.R")
m22=RMeasure(-.0004113,.0081009,cond.dist="std",df=5.751)

  运行结果:

## 
##  Risk Measures for selected probabilities: 
##        prob        VaR         ES
## [1,] 0.9500 0.01240096 0.01756588
## [2,] 0.9900 0.02045082 0.02653004
## [3,] 0.9990 0.03456563 0.04298998
## [4,] 0.9999 0.05421689 0.06640880

  根据结果得出拟合的模型为:

image.png

  所有的系数估计在5%的水平下都是显著的。拟合的自由度为5.751,同时,模型检验统计量确认了模型的充分性。在预测下一个时刻时,均值模型和波动率模型的超前一步预测为-0.0004113和0.00801,相应的,我们有:

image.png

  因此,应用学生t分布的新息,该金融头寸的风险度量为:

image.png

  结合 【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风险度量可以看出,具有厚尾的新息会给出更高的风险度量,说明正态假设下的VaR倾向于低估真实的风险。


相关文章
|
1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
|
1月前
【R语言实战】——Logistic回归模型
【R语言实战】——Logistic回归模型
|
1月前
|
数据可视化 数据挖掘 API
【R语言实战】聚类分析及可视化
【R语言实战】聚类分析及可视化
|
1月前
|
机器学习/深度学习 数据可视化
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为2
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为
|
1月前
|
Web App开发 数据可视化 数据挖掘
利用R语言进行聚类分析实战(数据+代码+可视化+详细分析)
利用R语言进行聚类分析实战(数据+代码+可视化+详细分析)
|
1月前
|
数据采集 数据可视化
利用R语言进行因子分析实战(数据+代码+可视化+详细分析)
利用R语言进行因子分析实战(数据+代码+可视化+详细分析)
|
1月前
利用R语言进行典型相关分析实战
利用R语言进行典型相关分析实战
|
1月前
|
机器学习/深度学习 算法
R语言分类回归分析考研热现象分析与考研意愿价值变现
R语言分类回归分析考研热现象分析与考研意愿价值变现
|
1月前
|
数据可视化 定位技术
R语言贝叶斯INLA空间自相关、混合效应、季节空间模型、SPDE、时空分析野生动物数据可视化
R语言贝叶斯INLA空间自相关、混合效应、季节空间模型、SPDE、时空分析野生动物数据可视化
|
1月前
|
机器学习/深度学习 数据可视化 算法
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为1
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为

热门文章

最新文章