全文链接：http://tecdat.cn/?p=31162
最近咱们被客户要求撰写对于 SV 模型的钻研报告，包含一些图形和统计输入
本文做 SV 模型，选取马尔可夫蒙特卡罗法(MCMC)、正则化狭义矩预计法和准最大似然预计法预计。
模仿 SV 模型的预计办法：
sim <- svsim(1000,mu=-9, phi = 0.97, sigma = 0.15)
print(sim)
summary(sim)plot(sim)绘制上证指数收益工夫序列图、散点图、自相干图与偏自相干图
咱们选取上证指数 5 分钟高频数据：
data=read.csv("上证指数 -5min.csv",header=TRUE)
#open：开盘价 close：收盘价 vol：成交量 amount：成交额
head(data,5) #察看数据的头 5 行
tail(data,5) #察看数据的最初 5 行
Close.ptd<-data$close
Close.rtd<-diff(log(Close.ptd)) #指标一：logReturn
rets=diff(data$close)/data$close[-length(data$close)] #指标二：Daily Returns，咱们抉择 Daily Returns
library(tseries)
adf.test(rets)
## 绘制上证指数收益工夫序列图、散点图、自相干图与偏自相干图
Close.ptd.ts<-ts(Close.ptd,start=c(2005,1,4),freq=242)
plot(Close.ptd.ts, type="l",main="(a) 上证指数日收盘价序列图",
acf(Close.rtd,main='',xlab='Lag',ylab='ACF',las=1)
title(main='(b) 上证指数收益率自相干测验',cex.main=0.95)
pacf(Close.rtd,main='',xlab='Lag',ylab='PACF',las=1)
title(main='(c) 上证指数收益率偏自相干测验',cex.main=0.95)
def.off
## Q- Q 图、教训累积散布 ecdf 图、密度图、直方图
qqnorm(Close.rtd,main="(a) 上证指数收益率 Q - Q 图",cex.main=0.95,
xlab='实践分位数',ylab='样本分位数')
qqline(Close.rtd)
#教训累积散布 ecdf 图
plot(ECD,lwd = 2,main="(b) 上证指数收益率累积散布函数图",cex.main=0.95,las=1)
xx <- unique(sort(c(seq(-3, 2, length=24), knots(ECD))))
abline(v = knots(ECD), lty=2, col='gray70')
x1 <- c((-4):3) # 设定区间范畴
lines(x1,pnorm(x1,mean(Close.rtdC[1:10]),sd(Close.rtd[1:10])))
#密度图
plot(D, main="(c) 上证指数核密度曲线图",xlab="收益", ylab='密度',
xlim = c(-7,7), ylim=c(0,0.5),cex.main=0.95)
polygon(D, col="gray", border="black")
curve(dnorm,lty = 2, add = TRUE)
lines(x2,dnorm(x2,mean=0,sd=1))
abline(v=0,lty = 3)
legend("topright", legend=c("核密度","正态密度"),lty=c(1,2),cex=0.5)
#直方图
hist(Close.rtd[1:100],xaxt='n',main='(d) 上证指数收益率直方图',
xlab='收益 /100',ylab='密度', freq=F,cex.main=0.95,las=1)
lines(x2,dnorm(x2,mean(Close.rtd[1:100]),sd(Close.rtd[1:100])))
axis(1,at=axTicks(1),labels = as.integer(axTicks(1))/100 )点击题目查阅往期内容
【视频】随机稳定率 SV 模型原理和 Python 对标普 SP500 股票指数预测 | 数据分享
左右滑动查看更多
01
02
03
04
SV 模型
{N <- length(logReturn)
mu <- (1/N)*sum(logReturn)
sqrt((1/N) * sum((logReturn - mu)^2))
}
return=-1.5*log(h)-y^2/(2*h)-(log(h)-mu)^2/(2*sigma2)
}马尔可夫链蒙特卡罗预计
该模型应用了 Kastner 和 Fruhwirth-Schnatter 所形容的算法。应用的 R 代码是：
###Markov Chain Monte Carlo
summary(mcmc)准最大似然预计
SV 模型能够用 QML 办法在 R 中用许多不同的状态空间和 Kalman 滤波包来预计。
a0=c(parm[1])
P0=matrix(parm[3]^2/(1-parm[2]^2))
dt=matrix(parm[1]*(1-parm[2]))
ct=matrix(-1.27)
Tt=matrix(parm[2])
Zt=matrix(1)
HHt=matrix(parm[3]^2)
GGt=matrix(pi^2/2)
ans<-fkf(a0=sp$a0,P0=sp$P0,dt=sp$dt,ct=sp$ct,Tt=sp$Tt,Zt=sp$Zt,HHt=sp$HHt,GG正则化狭义矩阵
在 R 函数中定义矩条件，而后预计参数 0。
moments <- c (m1 = sqrt(2/pi)*exp(mu/2 + sig2h/8),
m2 = exp(mu + sig2h/2) ,
m3 = 2*sqrt (2/pi) * exp(3*mu/2 + 9*sig2h/8) ,
gmm(g = sv.moments , x =rets , t0=c(mu=-10, phi=0.9,sigmaeta= 0.2),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 语言随机稳定模型 SV：马尔可夫蒙特卡罗法 MCMC、正则化狭义矩预计和准最大似然预计上证指数收益工夫序列》。
点击题目查阅往期内容
HAR-RV- J 与递归神经网络（RNN）混合模型预测和交易大型股票指数的高频稳定率
Matlab 马尔可夫链蒙特卡罗法（MCMC）预计随机稳定率（SV，Stochastic Volatility）模型
R 语言隐马尔可夫模型 HMM 间断序列重要性重抽样 CSIR 预计随机稳定率模型 SV 剖析股票收益率工夫序列
马尔可夫 Markov 区制转移模型剖析基金利率
马尔可夫区制转移模型 Markov regime switching
时变马尔可夫区制转换 MRS 自回归模型剖析经济工夫序列
马尔可夫转换模型钻研交通伤亡人数事变工夫序列预测
如何实现马尔可夫链蒙特卡罗 MCMC 模型、Metropolis 算法？
Matlab 用 BUGS 马尔可夫区制转换 Markov switching 随机稳定率模型、序列蒙特卡罗 SMC、M H 采样剖析工夫序列
R 语言 BUGS 序列蒙特卡罗 SMC、马尔可夫转换随机稳定率 SV 模型、粒子滤波、Metropolis Hasting 采样工夫序列剖析
matlab 用马尔可夫链蒙特卡罗 (MCMC) 的 Logistic 逻辑回归模型剖析汽车试验数据
stata 马尔可夫 Markov 区制转移模型剖析基金利率
PYTHON 用时变马尔可夫区制转换（MRS）自回归模型剖析经济工夫序列
R 语言应用马尔可夫链对营销中的渠道归因建模
matlab 实现 MCMC 的马尔可夫转换 ARMA – GARCH 模型预计
R 语言隐马尔可夫模型 HMM 辨认一直变动的股票市场条件
R 语言中的隐马尔可夫 HMM 模型实例
用机器学习辨认一直变动的股市情况—隐马尔科夫模型 (HMM)
Matlab 马尔可夫链蒙特卡罗法（MCMC）预计随机稳定率（SV，Stochastic Volatility）模型
MATLAB 中的马尔可夫区制转移(Markov regime switching) 模型
Matlab 马尔可夫区制转换动静回归模型预计 GDP 增长率
R 语言马尔可夫区制转移模型 Markov regime switching
stata 马尔可夫 Markov 区制转移模型剖析基金利率
R 语言如何做马尔可夫转换模型 markov switching model
R 语言隐马尔可夫模型 HMM 辨认股市变动剖析报告
R 语言中实现马尔可夫链蒙特卡罗 MCMC 模型