关于数据挖掘:R语言多元Copula-GARCH-模型时间序列预测附代码数据

原文链接  http://tecdat.cn/?p=2623

原文出处：拓端数据部落公众号

 最近咱们被要求撰写对于Copula GARCH的钻研报告，包含一些图形和统计输入。

和宏观经济数据不同，金融市场上多为高频数据，比方股票收益率序列。直观的来说 ，后者是比前者“稳定”更多且随机稳定的序列，在一元或多元的状况下，构建Copula函数模型和GARCH模型是最好的抉择。

多元GARCH家族中，品种十分多，须要本人多推导了解，抉择最优模型。本文应用R软件对3家上市公司近十年的每周收益率为例建设模型。 

首先咱们能够绘制这三个工夫序列。

在这里应用多变量的ARMA-GARCH模型。  

    本文思考了两种模型\
\
      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”）

可视化稳定 

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：

   BEKK11（dat_arma）

隐含的相关性

对单变量GARCH模型残差建模

第一步可能是思考残差的动态（联结）散布。单变量边际散布是

而联结密度为

可视化 密度 

查看相关性是否随着工夫的推移而稳固。

斯皮尔曼相关性

肯德尔相关性

对相关性建模，思考DCC模型

对数据进行预测 

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

 \

咱们曾经齐全把握了多元GARCH模型的应用，接下来就能够撒手去用R解决工夫序列了！

最受欢迎的见解

1.R语言ARMA-EGARCH模型、集成预测算法对SPX理论稳定率进行预测

2.R语言基于ARMA-GARCH-VaR模型拟合和预测实证

3.R语言基于ARMA-GARCH过程的VAR拟合和预测

4.GARCH（1,1），MA以及历史模拟法的VaR比拟

5.R语言多元COPULA GARCH 模型工夫序列预测

6.matlab预测ARMA-GARCH 条件均值和方差模型

7.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略

8.R语言： GARCH模型股票交易量的钻研道琼斯股票市场指数

9.R语言GARCH-DCC模型和DCC（MVT）建模预计