【大数据部落】R语言多元Copula GARCH 模型时间序列预测
和宏观经济数据不同,金融市场上多为高频数据,比如股票收益率序列直观的来说:。后者要比前者“抖动”多了有漂移且随机波动的序列,在一元或多元的情况下,构建Copula函数模型和GARCH模型是最好的选择。
多元GARCH家族中,种类非常多,需要自己多推导理解,选择最优模型。本文使用R软件对3家上市公司近十年的每周回报率为例建立模型。
首先我们可以绘制这三个时间序列。
在这里使用多变量的ARMA-GARCH模型。
本文考虑了两种模型
1 ARMA模型残差的多变量GARCH过程
2 ARMA-GARCH过程残差的多变量模型(基于Copula)
1 ARMA-GARCH模型
> fit1 = garchFit(formula = ~arma(2,1)+ garch(1,1),data = dat [,1],cond.dist =“std”)
可视化波动
隐含的相关性
> emwa_series_cor = function(i = 1,j = 2){+ if((min(i,j)== 1)&(max(i,j)== 2)){+ a = 1; B = 5; AB = 2}
+}
2 BEKK(1,1)模型:
>库(MTS)>
贝克= BEKK11(dat_arma)
隐含的相关性
对单变量GARCH模型残差建模
第一步可能是考虑残差的静态(联合)分布。单变量边际分布是
而联合密度为
可视化系词密度
查看相关性是否随着时间的推移而稳定。
斯皮尔曼相关性
肯德尔的头相关性
对相关性建模,考虑DCC模型
对数据进行预测
>图书馆(rmgarch)
> fcst = dccforecast(dcc.fit,n.ahead = 200)
图(FCST)
我们已经完全掌握了多元GARCH模型的使用,接下来就可以放手去用[R处理时间序列了!
大数据部落 -中国专业的第三方数据服务提供商,提供定制化的一站式数据挖掘和
统计分析和数据挖掘咨询服务:y0.cn/teradat(咨询服务请联系官网客服)
【服务场景】
科研项目;
公司项目外包;线上线下一对一培训;学术研究。
【大数据部落】提供定制化的一站式数据挖掘和统计分析咨询服务
分享最新的大数据资讯,每天学习一点数据分析,让我们一起做有态度的数据人
微信客服号:lico_9e
QQ交流群:186388004
加入欢迎的我们大数据学习必备利器课程
http://study.163.com/course/courseMain.htm?courseId=1003776041&share=2&shareId=1023497288