关于数据挖掘:R语言GARCH族模型正态分布tGED分布EGARCHTGARCH的VaR分析股票指数附代码数据

全文链接：http://tecdat.cn/?p=31023

最近咱们被客户要求撰写对于GARCH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

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**

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

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

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

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

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21

**

拓端

，赞11

**

拓端

，赞8

**

拓端

，赞14

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*

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

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

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

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