共计 1335 个字符，预计需要花费 4 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=3817
原文出处：拓端数据部落公众号
危险价值（VaR）及其所有相干问题依然是风险管理中的次要模型。危险价值的一个关键问题是它没有适当地思考稳定率，这意味着危机期间危险被低估。
解决这个问题的一个强有力的办法是 将 VaR 与 GARCH 模型联合起来思考条件波动性。为了阐明这种办法，咱们将一个正态分布的 GARCH（1,1）利用于股票市场指数。
## 初始化
#Load Packages
library(fImport)
library(fPortfolio)
library(ggplot2)
#输出
from = "1995-11-20"
to = "2015-12-17"
symbol = "^SSMI"
#获取数据
TS <- yahooSeries(symbol, from = from, to = to)
SMI <- TS\[,ncol(TS)\]
SMI <- returns(SMI, method = "continuous")
#绘制收益率
seriesPlot(TS\[,4\])从 Yahoo 获取数据
histPlot(SMI, main = "SMI Returns")
模型预计
SMI 收益数据有 5078 个观测值。我应用前 3078 个察看值对 GARCH 模型进行初始预计。其余的 2000 个观测值用于验证和测试。
library(rugarch)
library(zoo)
SMIdf <- as.data.frame(SMI)
#GARCH
#GARCH 定义 (扭转散布类型)
gspec11 <- ugarchspec(variance.model = list(model = "sGARCH",
garchOrder = c(1, 1)),
mean.model=list(armaOrder=c(0,0),
include.mean = FALSE),
distribution="norm")后果
#VaR 后果
plot(Returns, type = "l", pch = 16, cex = 0.8, col = gray(0.2, 0.5),
ylab = "Returns", main = "95% VaR Forecasting", xaxt = "n")
从图中咱们能够看到，VaR-GARCH（黑线）组合更加符合实际，升高了产生稳定时的 VAR 限度，而对于动态 VaR（红线），咱们察看到了收益率间断冲破界线。
最受欢迎的见解
1.R 语言基于 ARMA-GARCH-VaR 模型拟合和预测实证钻研
2.R 语言时变参数 VAR 随机模型
3.R 语言时变参数 VAR 随机模型
4.R 语言基于 ARMA-GARCH 过程的 VAR 拟合和预测
5.GARCH（1,1），MA 以及历史模拟法的 VaR 比拟
6.R 语言时变参数 VAR 随机模型
7.R 语言实现向量主动回归 VAR 模型
8.R 语言随机搜寻变量抉择 SSVS 预计贝叶斯向量自回归（BVAR）模型
9.R 语言 VAR 模型的不同类型的脉冲响应剖析
正文完
