全文下载链接：http://tecdat.cn/?p=3832
最近咱们被客户要求撰写对于期货稳定率的钻研报告，包含一些图形和统计输入。
在本文中，稳定率是泛滥定价和危险模型中的要害参数，例如 BS 定价办法或危险价值的计算。在这个模型中，或者说在教科书中，这些模型中的稳定率通常被认为是一个常数
然而，状况并非如此，依据学术研究，稳定率是具备聚类, 厚尾和长记忆特色的工夫序列变量。
本博客比拟了 GARCH 模型（形容稳定率聚类），ARFIMA 模型（长记忆），HAR-RV 模型（基于高频数据），以及来自 SSE 50 指数和 CME 利率期货的样本。
此外，本文应用滚动工夫窗预测办法来计算预测稳定率并构建指数以评估模型的准确性。结果表明，基于长记忆和实现稳定率的 ARFIMA-RV 模型是最精确的模型。
1. 基于 GARCH 的模型
形容稳定率聚类
为了模仿异方差性，GARCH 采纳以下过程：
为了反映金融市场的不对称性，学者们提出了 EGARCH，TGARCH 或 APARCH，其中 APARCH 更为个别。
咱们从在 R 中拟合 APARCH 开始：
能够看出 ARCH 效应是不言而喻的
咱们能够失去模型的系数，以及误差剖析
为了进一步分析模型，咱们剖析了 QQ 图中的正态性残差。
咱们发现残差不合乎正态性，而后咱们测试残差的自相干：
测试对于下面列出的模型，所有残差都具备一些自相干效应。因而，基于 GARCH 的模型可能不够精确，无奈预测波动性。
咱们应用 MSE（误差的均方）来测量模型的预测性能。
MSE.NGARCH
0.000385108313676526
MSE.tGARCH
0.00038568802365854
MSE.APARCH
0.000385278917823468
2. 基于 HAR-RV 的模型
解决高频理论稳定率
高频数据蕴含更丰盛的日内交易信息，因而可用于掂量稳定率。实现稳定是其中一种形式。如果咱们将交易日_t_划分为_N 个_时段，每个时段都会有一个对数收益率，那么理论收益能够计算如下：
HAR-RV，异构自回归 RV 模型由科希创立。
点击题目查阅往期内容
R 语言 HAR 和 HEAVY 模型剖析高频金融数据稳定率
左右滑动查看更多
01
02
03
04
MSE 计算如下
| MSE.HARRV | 1.08226110318177 * 10 ^（– 7） |
|---|---|
| MSE.HARRVCJ | 1.90270268315141 * 10 ^（– 7） |
3. 基于 ARFIMA 的模型
形容长记忆
ARFIMA 是分整自回归挪动均匀模型，其具备与 ARMA 模型雷同的示意模式，但差分参数 d 能够是非整数值：
在差分参数 d 是非整数的状况下，则能够如下操作
在 R 中，咱们编程摸索 HAR-RV 和 HAR-RV-CJ 模型。
MSE 如下所列
| MSE.ARFIMA1 | 1.0663781087345 * 10 ^（– 7） |
|---|---|
| MSE.ARFIMA2 | 1.06634734745652 * 10 ^（– 7） |
| MSE.ARFIMA3 | 1.06846983445809 * 10 ^（– 7） |
论断
| SH50 | S&P500 | |
|---|---|---|
| MSE.NGARCH | 0.000385108314 | 7.793024760363 * 10 ^（– 5） |
| MSE.tGARCH | 0.000385688024 | 7.803986179542 * 10 ^（– 5） |
| MSE.APARCH | 0.000385278919 | 7.781641356006 * 10 ^（– 5） |
| MSE.HARRV | 1.082261103181 * 10 ^（– 7） | 1.459464289508 * 10 ^（– 9） |
| MSE.HARRVCJ | 1.902702683151 * 10 ^（– 7） | N / A（没有足够的数据） |
| MSE.ARFIMA1 | 1.066378108737 * 10 ^（– 7） | 1.820349558502 * 10 ^（– 8） |
| MSE.ARFIMA2 | 1.066347347457 * 10 ^（– 7） | 1.848206765296 * 10 ^（– 8） |
| MSE.ARFIMA3 | 1.068469834458 * 10 ^（– 7） | 1.844987432992 * 10 ^（– 8） |
从后果咱们晓得基于 ARFIMA 的模型具备与 HAR-RV 类似的准确度，并且两者都比 GARCH 模型好得多。
本文摘选 《 R 语言预测稳定率的实现：ARCH 模型与 HAR-RV 模型 》，点击“ 浏览原文”获取全文残缺材料。
点击题目查阅往期内容
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
R 语言极值推断：狭义帕累托散布 GPD 应用极大似然预计、轮廓似然预计、Delta 法
R 语言极值实践 EVT：基于 GPD 模型的火灾损失散布剖析
R 语言有极值（EVT）依赖构造的马尔可夫链 (MC) 对洪水极值剖析
R 语言 POT 超阈值模型和极值实践 EVT 剖析
R 语言混合正态分布极大似然预计和 EM 算法
R 语言多项式线性模型：最大似然预计二次曲线
R 语言 Wald 测验 vs 似然比测验
R 语言 GARCH-DCC 模型和 DCC（MVT）建模预计
R 语言非参数办法：应用核回归平滑预计和 K -NN(K 近邻算法)分类预测心脏病数据
matlab 实现 MCMC 的马尔可夫转换 ARMA – GARCH 模型预计
R 语言基于 Bootstrap 的线性回归预测置信区间预计办法
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
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 马尔可夫区制转换动静回归模型预计 GDP 增长率 R 语言极值推断：狭义帕累托散布 GPD 应用极大似然预计、轮廓似然预计、Delta 法