关于数据挖掘:GARCH11MA以及历史模拟法的VaR比较

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