共计 8999 个字符,预计需要花费 23 分钟才能阅读完成。
全文链接:http://tecdat.cn/?p=31023
最近咱们被客户要求撰写对于 GARCH 族模型的钻研报告,包含一些图形和统计输入。
如何构建适合的模型以失当的办法对危险进行测量是以后金融钻研畛域的一个热门话题 ( 点击文末“浏览原文”获取残缺 代码数据 ******** )。
VaR 办法作为以后业内比拟风行的测量金融风险的办法, 具备简洁, 明了的特点, 而且绝对于方差来讲, 更多的将投资人的损失作为危险具备更好的合理性。
咱们和一位客户探讨如何在 R 软件中解决 GARCH 族模型。
数据的选取
本文选取 Wind 资讯公布的股票型券商理财指数作为数据处理对象。选取的工夫期间为 2011 年 1 月 4 日至 2015 年 11 月 24 日,共 1187 个交易日。该指数基日为 2007 年 12 月 31 日,基点为 1000 点。
收益率的计算
采纳对数收益率对指数开盘点位进行计算,表达式为
记为序列。由图察看可知,该收益率序列存在稳定汇集景象。
clpr<-stock$Clsprc
yield<-diff(log(clpr))
ts.plot(yield)
根本特征分析
对序列 进行根本统计分析,后果如表所示:
summary(yield)
sd(yield)
var(yield)
表 指数日收益率根本统计表 ****
Min. | 1st Qu. | Median | Mean | 3rd Qu. | Max. | Sd | skewness’ | kurtosis |
---|---|---|---|---|---|---|---|---|
-0.03517 | -0.00389 | 0.0003749 | 0.0001963 | 0.00473 | 0.03348 | 0.008163353 | -0.4018462 | 2.169439 |
由表可知,收益率序列 的最小值为 -0.03517,最大值为 0.03348,平均值为 0.0001963,标准差为 0.008163353。偏度为 -0.4018462,体现为右偏。峰度为 2.169439,该散布比正态分布更平缓。
1、正态性测验
对指数的日收益率序列进行正态性测验。测验办法采纳 Jarque-Bera 统计量。测验结果显示 Jarque-Bera 统计量为 261.3839,P 值靠近 0,回绝对数收益率遵从正态分布的原假如,表明序列为非正态分布。
表 Jarque-Bera 测验后果
测验办法 | 统计量 | P 值 |
---|---|---|
Jarque-Bera | 261.3839 | < 2.2e-16 |
为了进一步探索序列 的散布状态,对样本数据作直方图、QQ 图。由图可见,该收益率序列的尾部更长更厚,且其散布存在显著的不对称的景象,为非正态分布。
2、自相关性测验
对指数的日收益率序列的自相关性进行测验。测验办法采纳 Ljung-Box 测验。表中 LB2(12)指滞后期为 12 的收益率平方的 Ljung-Box 统计量,该统计量在无序列相干的零假如下,遵从自由度为 12 的 散布。具体测验后果如下:收益率平方的 Ljung-Box 统计量为 34.1853,P 值为 0.0006306,回绝无自相干的零假如,表明收益率的平方存在自相干景象。
表 Ljung-Box 测验后果
测验办法 | 统计量 | P 值 |
---|---|---|
LB2(12) | 34.1853 | 0.0006306 |
为了进一步探索序列的自相关性,对序列作 ACF、PACF 图。由图可见,该收益率序列存在自相干景象。
3、异方差性测验
对指数的日收益率序列进行异方差性测验。测验办法采纳 ARCH-LM 测验。表中 LM(12)指 ARCH 效应的拉格朗日乘数测验,在没有 ARCH 效应的零假如下,统计量遵从自由度为 12 的 散布。具体测验后果如下:LM 统计量为 170.9818,P 值靠近 0,故回绝无 ARCH 效应的零假如,表明收益率序列存在 ARCH 效应。
表 ARCH-LM 测验后果
测验办法 | 统计量 | P 值 |
---|---|---|
LM(12) | 170.9818 | < 2.2e-16 |
4、平稳性测验
在工夫序列模型中,序列的平稳性会间接影响到模型的拟合成果,非安稳的序列容易产生舛误回归(Spurious Regression)。本节将采纳 ADF 测验来对收益率序列进行单位根测验。测验结果显示 Dickey –Fuller 值为 -9.7732(滞后 10 阶),P 值小于 0.01,故回绝存在单位根的原假如,认为该收益率序列是安稳的。
表 ADF 测验后果
测验办法 | 统计量 | P 值 |
---|---|---|
ADF | -9.7732 | <0.01 |
综上,收益率序列存在显著的尖峰厚尾效应,JB 测验同样否定了收益率遵从正态分布的假如。LM 测验表明收益率存在 ARCH 效应,而 LB 测验表明收益率的平方存在自相干景象,因而能够采纳条件异方差模型来剖析收益率序列的稳定个性
GARCH 族模型的建设
本文将别离采纳基于正态分布、t 散布、狭义误差散布(GED)、偏态 t 散布(ST)、偏态狭义误差散布(SGED) 的 GARCH(1,1)、EGARCH、TGARCH 来建模。
相干视频
**
拓端
,赞 22
**
拓端
,赞 11
**
拓端
,赞 9
**
拓端
,赞 15
表中,c 为收益率的均值,为方差方程的常数项,为方差方程的 ARCH 项系数,为 GARCH 项系数,反映杠杆效应的大小。参数 为概率分布中的参数,其中 管制尖峰高度和尾部厚度,管制偏斜度。
GARCH(1,1)模型
GARCH(1,1)模型表示如下:
spec<-ugarchspec(variance.model=list(garchOrder=c(1,1)),
mean.model=list(armaOrder=c(0,0)))
fit <- ugarchfit(spec = spec, data = yield)
ariance.model=list(garchOrder=c(1,1)),
mean.model=list(armaOrder=c(0,0)),distribution.model = "std")
表 收益率指数 GARCH 模型预计后果 *
正态分布 | t 散布 | GED | 偏 t 散布 | SGED | |
---|---|---|---|---|---|
c | 0.000264(0.21277) | 0.000342 (0.077829) | 0.000342 (0.040020) | 0.000299(0.161218) | 0.000230 (0.587094) |
0.000001 (0.14473) | 0.000001 (0.257057) | 0.000001(0.441759) | 0.000001(0.259532) | 0.000001(0.456113) | |
0.048706(0.00000) *** | 0.054123 (0.000001) *** | 0.050726 (0.002247) *** | 0.053698(0.000001) *** | 0.050853(0.00353) *** | |
** | 0.927184(0.00000) *** | 0.933160(0.00000) *** | 0.931267(0.000000) *** | 0.933230(0.000000) *** | 0.930511 (0.000000) *** |
0.981867(0.000000) *** | 0.939087(0.000000) *** | ||||
5.219963(0.00000) *** | 1.201313(0.00000) *** | 5.243745(0.000000) *** | 1.202264 (0.000000) *** | ||
LOG(L) | 4098.099 | 4133.571 | 4138.72 | 4133.688 | 4139.112 |
LB2(1) | 0.0005385 | 0.03154 | 0.01327 | 0.02633 | 0.01035 |
LB2(5) | 0.7282074 | 1.00717 | 0.88424 | 0.97089 | 0.83074 |
LB2(9) | 1.2003692 | 1.63025 | 1.43485 | 1.58488 | 1.36785 |
注:括号中是 P 值。*** 示意 0.1% 置信水平下统计显著;** 示意在 1% 置信水平下统计显著;* 示意 5% 程度下统计显著。
对 GARCH(1,1)模型来说, 无论收益率残差遵从哪种散布, 其方差方程中 ARCH 项和 GARCH 项系数均高度显著,然而均值方程和方差方程中的的常数项均不显著。
EGARCH(1,1)模型
EGARCH 是从 GARCH 衍生出的模型,可用于解释“杠杆效应”。“杠杆效应”是指金融资产收益率的涨和跌对将来波动性的影响是不同的。
chspec(variance.model=list(model="eGARCH", garchOrder=c(1,1)),
mean.model=list(armaOrder=c(0,0)))
收益率指数 EGARCH 模型预计后果
正态分布 | t 散布 | GED | 偏 t 散布 | SGED | |
---|---|---|---|---|---|
c | 0.000271(0.075278) | 0.000336(0.079723) | 0.000340(0.016498) | 0.000271(0.12507) | 0.000199 (0.14978) |
-0.206804(0.000000) *** | -0.157944(0.000000) *** | -0.184483(0.000000) *** | -0.160675(0.000000) *** | -0.190357(0.00000) *** | |
0.001715(0.862698) | -0.013118 (0.388489) | -0.007304(0.603938) | -0.012933(0.393570) | -0.007622 (0.41512) | |
** | 0.978191(0.000000) *** | 0.983721(0.000000) *** | 0.981159(0.000000) *** | 0.983429(0.000000) *** | 0.980540(0.00000) *** |
0.107504(0.001149)*** | 0.128684(0.000000) *** | 0.118786(0.001145)** | 0.128607(0.000001)*** | 0.119496(0.00000) *** | |
0.978059(0.000000) *** | 0.970479(0.00000) *** | ||||
4.999931(0.000000) *** | 1.185703(0.000000) *** | 5.025099(0.000000) *** | 1.186277(0.00000) *** | ||
LOG(L) | 4092.934 | 4131.264 | 4136.163 | 4131.438 | 4136.691 |
LB2(1) | 0.1871 | 0.00369 | 0.03273 | 0.004377 | 0.03288 |
LB2(5) | 0.8244 | 0.93644 | 0.83619 | 0.898516 | 0.76626 |
LB2(9) | 1.4308 | 1.55934 | 1.41608 | 1.511597 | 1.32613 |
注:括号中是 P 值。*** 示意 0.1% 置信水平下统计显著;** 示意在 1% 置信水平下统计显著;* 示意 5% 程度下统计显著。
对 EGARCH(1,1)模型来说, 无论收益率残差遵从哪种散布, 其方差方程中常数项和 GARCH 项系数均高度显著,然而均值方程和方差方程中的的 ARCH 项系数均不显著。
GJR-GARCH 模型
GJR-GARCH 模型即是在 GARCH 模型的根底上思考到杠杆效应,引入一个虚构变量来示意正负冲击对 的影响。
ariance.model=list(model="gjrGARCH", garchOrder=c(1,1)),
mean.model=list(armaOrder=c(0,0)),distribution.model = "std")
收益率指数 GJR- GARCH 模型预计后果
正态分布 | t 散布 | GED | 偏 t 散布 | SGED | |
---|---|---|---|---|---|
c | 0.000275(0.198829) | 0.000335 (0.084013) | 0.000338(0.040523)* | 0.000292(0.17233) | 0.000221 (0.540614) |
0.000001(0.171795) | 0.000001 (0.298628) | 0.000001(0.000000) *** | 0.000001(0.30375) | 0.000001(0.590270) | |
0.051272(0.000072)*** | 0.051272 (0.000072)*** | 0.046304(0.012649) * | 0.045985(0.00000)*** | 0.046440 (0.007732)** | |
** | 0.928798(0.000000) *** | 0.928798(0.000000) *** | 0.927762 (0.000000) *** | 0.929132(0.00000) *** | 0.928254 (0.000000) *** |
-0.005443(0.702778) | -0.005443(0.702778) | 0.010575(0.493464) | 0.018174(0.32446) | 0.010036(0.542627) | |
0.983235(0.00000) *** | 0.975509(0.000000) *** | ||||
4.999931(0.000000) *** | 1.197353(0.000000) *** | 5.148342(0.00000) *** | 1.199348 (0.000000) *** | ||
LOG(L) | 4098.144 | 4133.955 | 4138.849 | 4134.063 | 4139.244 |
LB2(1) | 0.00032 | 0.06294 | 0.03472 | 0.05974 | 0.02502 |
LB2(5) | 0.68873 | 1.14346 | 0.98759 | 1.11792 | 0.91801 |
LB2(9) | 1.15402 | 1.81742 | 1.56472 | 1.78469 | 1.48424 |
注:括号中是 P 值。*** 示意 0.1% 置信水平下统计显著;** 示意在 1% 置信水平下统计显著;* 示意 5% 程度下统计显著。
对 GJR-GARCH(1,1)模型来说, 无论收益率残差遵从哪种散布, 其杠杆系数 都是不显著的。然而就其余参数而言,GED 散布下,参数拟合都是显著的。方差方程中 ARCH 项和 GARCH 项系数均高度显著,然而均值方程和方差方程中的的常数项均不显著。通过比照对数似然函数值,发现残差遵从 GED 散布和 SGED 散布时,模型拟合成果要优于正态分布、t 散布和偏 t 散布。另外, 五种散布条件下,均靠近 1,这阐明只管收益率的稳定会逐渐衰减, 然而继续的工夫将会十分长。最初,LB2 统计量显示模型的标准化残差平方均不再具备异方差景象,且在统计上都是显著的。
APARCH 模型
APARCH(1,1)模型波动性方程为:
variance.model=list(model="apARCH", garchOrder=c(1,1)),
收益率指数 APARCH 模型预计后果
正态分布 | t 散布 | GED | 偏 t 散布 | SGED | |
---|---|---|---|---|---|
c | 0.000301(0.15463) | 0.000349 (0.071965) | 0.000349(0.049846)* | 0.000338 (0.108480) | 0.000239 (0.379013) |
0.000000(0.92767) | 0.000000(0.979064) | 0.000000(0.972073) | 0.000000(0.984476) | 0.000000(0.992160) | |
0.036457(0.00021)*** | 0.036235(0.061548) | 0.036665(0.123664) | 0.038866(0.179902) | 0.036743 (0.540439) | |
** | 0.914738(0.00000) *** | 0.920788(0.000000) *** | 0.917647(0.000000) *** | 0.920930(0.000000) *** | 0.919184 (0.000000) *** |
0.001559(0.98256) | 0.076905(0.416691) | 0.048123(0.624721) | 0.063356(0.277636) | 0.019934 (0.835479) | |
2.770787(0.00000) *** | 2.835321(0.000000) *** | 2.732345(0.000000) *** | 2.774741(0.000000) *** | 2.794404(0.000000) *** | |
0.991283 (0.000000) *** | 0.970652(0.000000) *** | ||||
5.534190(0.000017) *** | 1.207995(0.000000) *** | 5.400260 (0.000001) *** | 1.213429(0.000687) *** | ||
LOG(L) | 4100.315 | 4134.174 | 4139.32 | 4134.308 | 4139.746 |
LB2(1) | 0.07729 | 0.1613 | 0.1208 | 0.1772 | 0.09563 |
LB2(5) | 0.94386 | 1.2998 | 1.1247 | 1.3636 | 1.05785 |
LB2(9) | 1.45195 | 2.0242 | 1.7278 | 2.1042 | 1.64646 |
注:括号中是 P 值。*** 示意 0.1% 置信水平下统计显著;** 示意在 1% 置信水平下统计显著;* 示意 5% 程度下统计显著。
对 APARCH (1,1)模型来说, 除了方差方程 和 显著外,其余系数根本不显著。通过比照对数似然函数值,发现残差遵从 GED 散布和 SGED 散布时,模型拟合成果要优于正态分布、t 散布和偏 t 散布。LB2 统计量显示模型的标准化残差平方均不再具备异方差景象,且在统计上都是显著的。
计算 VaR
plotMSFT.garch11.fitwhich=2
点击题目查阅往期内容
R 语言中的工夫序列分析模型:ARIMA-ARCH / GARCH 模型剖析股票价格
左右滑动查看更多
01
02
03
04
序列预测
plotMSFT.garch11.boot
GARCH11 滚动预测
MSFT.garch11.roll =spec y
classMSFT.garch11.roll
## [1] "uGARCHroll"
## attr"package"
## [1] "rugarch"
## VaR Backtest Report
## ===========================================
## Model: eGARCH-norm
## Backtest Length: 1000
## Data:
##
## ==========================================
## alpha: 1%
## Expected Exceed: 10
## Actual VaR Exceed: 50
## Actual %: 5%
##
## Unconditional Coverage Kupiec
## Null-Hypothesis: Correct Exceedances
## LR.uc Statistic: 82.582
## LR.uc Critical: 3.841
## LR.uc p-value: 0
## Reject Null: YES
##
## Conditional Coverage Christoffersen
## Null-Hypothesis: Correct Exceedances and
## Independence of Failures
## LR.cc Statistic: 118.726
## LR.cc Critical: 5.991
## LR.cc p-value: 0
## Reject Null: YES
点击文末 “浏览原文”
获取全文残缺代码数据资料。
本文选自《R 语言 GARCH 族模型:正态分布、t、GED 散布 EGARCH、TGARCH 的 VaR 剖析股票指数》。
点击题目查阅往期内容
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 \
R 语言对 S&P500 股票指数进行 ARIMA + GARCH 交易策略 \
R 语言 ARMA GARCH COPULA 模型拟合股票收益率工夫序列和模仿可视化 \
ARMA-GARCH-COPULA 模型和金融工夫序列案例 \
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