关于数据挖掘:ARMAGARCHCOPULA模型和金融时间序列案例附代码数据

2次阅读

共计 5231 个字符，预计需要花费 14 分钟才能阅读完成。

最近我被要求撰写对于金融工夫序列的 copulas 的考察

从读取数据中取得各种模型的形容，包含一些图形和统计输入。

> oil = read.xlsx（temp，sheetName =“DATA”，dec =“，”）

而后咱们能够绘制这三个工夫序列

1 1997-01-10 2.73672 2.25465 3.3673 1.5400

2 1997-01-17 -3.40326 -6.01433 -3.8249 -4.1076

3 1997-01-24 -4.09531 -1.43076 -6.6375 -4.6166

4 1997-01-31 -0.65789 0.34873 0.7326 -1.5122

5 1997-02-07 -3.14293 -1.97765 -0.7326 -1.8798

6 1997-02-14 -5.60321 -7.84534 -7.6372 -11.0549

这个想法是在这里应用一些多变量 ARMA-GARCH 过程。这里的启发式是第一局部用于模仿工夫序列平均值的动静，第二局部用于模仿工夫序列方差的动静。

本文思考了两种模型

对于 ARMA 模型残差的多变量 GARCH 过程（或方差矩阵动力学模型）
对于 ARMA-GARCH 过程残差的多变量模型（基于 copula）

因而，这里将思考不同的序列，作为不同模型的残差取得。咱们还能够将这些残差标准化。

ARMA 模型

> fit1 = arima（x = dat [，1]，order = c（2,0,1））> fit2 = arima（x = dat [，2]，order = c（1,0,1））> fit3 = arima（x = dat [，3]，order = c（1,0,1））> m < - apply（dat_arma，2，mean）> v < - apply（dat_arma，2，var）> dat_arma_std < - t（（t（dat_arma）-m）/ sqrt（v））

ARMA-GARCH 模型

> fit1 = garchFit（formula = ~arma（2,1）+ garch（1,1），data = dat [，1]，cond.dist =“std”）> fit2 = garchFit（formula = ~arma（1,1）+ garch（1,1），data = dat [，2]，cond.dist =“std”）> fit3 = garchFit（formula = ~arma（1,1）+ garch（1,1），data = dat [，3]，cond.dist =“std”）> m_res < - apply（dat_res，2，mean）> v_res < - apply（dat_res，2，var）> dat_res_std = cbind（（dat_res [，1] -m_res [1]）/ sqrt（v_res [1]），（dat_res [，2] -m_res [2]）/ sqrt（v_res [2]），（dat_res [，3] -m_res [3]）/ SQRT（v_res [3]））

能够思考的第一个模型是协方差矩阵的多变量 EWMA，

> ewma = EWMAvol（dat_res_std，lambda = 0.96）

波动性

> emwa_series_vol = function（i = 1）{+ lines（Time，dat_arma [，i] + 40，col =“gray”）+ j = 1
+ if（i == 2）j = 5
+ if（i == 3）j = 9

点击题目查阅往期内容

R 语言基于 ARMA-GARCH 过程的 VaR 拟合和预测

左右滑动查看更多

01

02

03

04

隐含相关性

> emwa_series_cor = function（i = 1，j = 2）{
+ if（（min（i，j）== 1）&（max（i，j）== 2））{+ a = 1; B = 9; AB = 3}
+ r = ewma $ Sigma.t [，ab] / sqrt（ewma $ Sigma.t [，a] *
+ ewma $ Sigma.t [，b]）+ plot（Time，r，type =“l”，ylim = c（0,1））+}

多变量 GARCH，即 BEKK（1,1）模型，例如应用：

> bekk = BEKK11（dat_arma）> bekk_series_vol function（i = 1）{+ plot（Time，$ Sigma.t [，1]，type =“l”，+ ylab =（dat）[i]，col =“white”，ylim = c（0,80））+ lines（Time，dat_arma [，i] + 40，col =“gray”）+ j = 1
+ if（i == 2）j = 5

+ if（i == 3）j = 9

> bekk_series_cor = function（i = 1，j = 2）{+ a = 1; B = 5; AB = 2}
+ a = 1; B = 9; AB = 3}
+ a = 5; B = 9; AB = 6}
+ r = bk $ Sigma.t [，ab] / sqrt（bk $ Sigma.t [，a] *
+ bk $ Sigma.t [，b]）

第一步可能是思考残差的一些动态（联结）散布。单变量边缘散布是

边缘密度的轮廓（应用双变量核预计器取得）

也能够将 copula 密度可视化（下面有一些非参数估计，上面是参数 copula）

> copula_NP = function（i = 1，j = 2）{
+ n = nrow（uv）+ s = 0.3

+ norm.cop < - normalCopula（0.5）+ norm.cop < - normalCopula（fitCopula（norm.cop，uv）@estimate）+ dc = function（x，y）dCopula（cbind（x，y），norm.cop）+ ylab = names（dat）[j]，zlab =“copule Gaussienne”，ticktype =“detailed”，zlim = zl）+
+ t.cop < - tCopula（0.5，df = 3）+ t.cop < - tCopula（t.fit [1]，df = t.fit [2]）+ ylab = names（dat）[j]，zlab =“copule de Student”，ticktype =“detailed”，zlim = zl）+}

能够思考这个函数，

计算三个序列的的教训版本，并将其与一些参数版本进行比拟，

>

> lambda = function（C）{
+ l = function（u）pcopula（C，cbind（u，u））/ u
+ v = Vectorize（l）（u）+ return（c（v，rev（v）））+}
>

> graph_lambda = function（i，j）{
+ X = dat_res
+ U = rank（X [，i]）/（nrow（X）+1）+ V = rank（X [，j]）/（nrow（X）+1）+ normal.cop < - normalCopula（.5，dim = 2）+ t.cop < - tCopula（.5，dim = 2，df = 3）+ fit1 = fitCopula（normal.cop，cbind（U，V），method =“ml”）d（U，V），method =“ml”）+ C1 = normalCopula（fit1 @ copula @ parameters，dim = 2）+ C2 = tCopula（fit2 @ copula @ parameters [1]，dim = 2，df = trunc（fit2 @ copula @ parameters [2]））+

但人们可能想晓得相关性是否随工夫稳固。

> time_varying_correl_2 = function（i = 1，j = 2，+ nom_arg =“Pearson”）{+ uv = dat_arma [，c（i，j）]
nom_arg））[1,2]
+}
> time_varying_correl_2（1,2）> time_varying_correl_2（1,2，“spearman”）> time_varying_correl_2（1,2，“kendall”）

斯皮尔曼与时变排名相关系数

或肯德尔相关系数

为了模型的相关性，思考 DCC 模型（S）

> m2 = dccFit（dat_res_std）> m3 = dccFit（dat_res_std，type =“Engle”）> R2 = m2 $ rho.t
> R3 = m3 $ rho.t

要取得一些预测，应用例如

> garch11.spec = ugarchspec（mean.model = list（armaOrder = c（2,1）），variance.model = list（garchOrder = c（1,1），model =“GARCH”））> dcc.garch11.spec = dccspec（uspec = multispec（replicate（3，garch11.spec）），dccOrder = c（1,1），distribution =“mvnorm”）> dcc.fit = dccfit（dcc.garch11.spec，data = dat）> fcst = dccforecast（dcc.fit，n.ahead = 200）

本文摘选《 R 语言 ARMA-GARCH-COPULA 模型和金融工夫序列案例 》，点击“ 浏览原文”获取全文残缺材料。

点击题目查阅往期内容

工夫序列剖析：ARIMA GARCH 模型剖析股票价格数据
GJR-GARCH 和 GARCH 稳定率预测普尔指数工夫序列和 Mincer Zarnowitz 回归、DM 测验、JB 测验
【视频】工夫序列剖析：ARIMA-ARCH / GARCH 模型剖析股票价格
工夫序列 GARCH 模型剖析股市稳定率
PYTHON 用 GARCH、离散随机稳定率模型 DSV 模仿预计股票收益工夫序列与蒙特卡洛可视化
极值实践 EVT、POT 超阈值、GARCH 模型剖析股票指数 VaR、条件 CVaR：多元化投资组合预测危险测度剖析
Garch 稳定率预测的区制转移交易策略
金融工夫序列模型 ARIMA 和 GARCH 在股票市场预测利用
工夫序列分析模型：ARIMA-ARCH / GARCH 模型剖析股票价格
R 语言危险价值：ARIMA，GARCH，Delta-normal 法滚动预计 VaR（Value at Risk）和回测剖析股票数据
R 语言 GARCH 建模罕用软件包比拟、拟合规范普尔 SP 500 指数稳定率工夫序列和预测可视化
Python 金融工夫序列模型 ARIMA 和 GARCH 在股票市场预测利用
MATLAB 用 GARCH 模型对股票市场收益率工夫序列稳定的拟合与预测 R 语言 GARCH-DCC 模型和 DCC（MVT）建模预计
Python 用 ARIMA、GARCH 模型预测剖析股票市场收益率工夫序列
R 语言中的工夫序列分析模型：ARIMA-ARCH / GARCH 模型剖析股票价格
R 语言 ARIMA-GARCH 稳定率模型预测股票市场苹果公司日收益率工夫序列
Python 应用 GARCH，EGARCH，GJR-GARCH 模型和蒙特卡洛模仿进行股价预测
R 语言工夫序列 GARCH 模型剖析股市稳定率
R 语言 ARMA-EGARCH 模型、集成预测算法对 SPX 理论稳定率进行预测
matlab 实现 MCMC 的马尔可夫转换 ARMA – GARCH 模型预计
Python 应用 GARCH，EGARCH，GJR-GARCH 模型和蒙特卡洛模仿进行股价预测
应用 R 语言对 S&P500 股票指数进行 ARIMA + GARCH 交易策略
R 语言用多元 ARMA,GARCH ,EWMA, ETS, 随机稳定率 SV 模型对金融工夫序列数据建模
R 语言股票市场指数：ARMA-GARCH 模型和对数收益率数据探索性剖析
R 语言多元 Copula GARCH 模型工夫序列预测
R 语言应用多元 AR-GARCH 模型掂量市场危险
R 语言中的工夫序列分析模型：ARIMA-ARCH / GARCH 模型剖析股票价格
R 语言用 Garch 模型和回归模型对股票价格剖析
GARCH（1,1），MA 以及历史模拟法的 VaR 比拟
matlab 预计 arma garch 条件均值和方差模型 R 语言 POT 超阈值模型和极值实践 EVT 剖析