共计 712 个字符，预计需要花费 2 分钟才能阅读完成。
原文链接 http://tecdat.cn/?p=2623
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：后者要比前者“抖动”多了。有漂移且随机稳定的序列，在一元或多元的状况下，构建 Copula 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回报率为例建设模型。
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：
>library(MTS)>
bekk=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 Copula 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
Kendall 的 tau 相关性
对相关性建模，思考 DCC 模型
对数据进行预测
> library(rmgarch)
> fcst=dccforecast(dcc.fit,n.ahead=200)
plot(fcst)
