关于数据挖掘:R语言中使用RCPP并行计算指数加权波动率

原文链接：http://tecdat.cn/?p=17829

原文出处：拓端数据部落公众号

指数加权稳定率是一种稳定率的度量，它使最近的察看后果有更高权重。咱们将应用以下公式计算指数加权稳定率：

S [t] ^ 2 = SUM（1-a） a ^ i （r [t-1-i]-rhat [t]）^ 2，i = 0…inf

其中 rhat [t] 是对应的指数加权平均值

rhat [t] = SUM（1-a） a ^ i r [t-1-i]，i = 0…inf

下面的公式取决于每个工夫点的残缺价格历史记录，并花了一些工夫进行计算。因而，我想分享 Rcpp 和 RcppParallel 如何帮忙咱们缩小计算工夫。

我将应用汇率的历史数据集  作为测试数据。

首先，咱们计算均匀滚动稳定率

#*****************************************************************
# 计算对数收益率
#*****************************************************************
ret = diff(log(data$prices))
 
tic(5)
hist.vol = sqrt(252) * bt.apply.matrix(ret, runSD, n = 200)
toc(5)

通过工夫为 0.17 秒

接下来，让咱们编写指数加权代码逻辑

# 建设 RCPP 函数计算指数加权稳定率  
load.packages('Rcpp')
sourceCpp(code='
#include <Rcpp.h>
using namespace Rcpp;
using namespace std;
 
// \[\[Rcpp::plugins(cpp11)\]\]
 
//ema\[1\] = 0
//ema\[t\] = (1-a)\*r\[t-1\] + (1-a)\*a*ema\[t-1\]
// \[\[Rcpp::exp

 {if(!NumericVector::is_na(x\[t\])) break;
        res\[t\] = NA_REAL;
    }
    int start_t = t;
    
-a) * a^i * (r\[t-1-i\] - rhat\[t\])^2, i=0 ... inf
// \[\[Rcpp::export\]\]
NumericVector run\_esd\_cpp(NumericVector x, double ratio) {
    auto sz = x.siz

    // find start index; first non NA item
    for(t = 0; t < sz; t++) {
        if(!Num
0;    
    for(t = start_t + 1; t < sz; t++) {ema = (1-ratio) * (x\[t-1\] + ratio * ema);
        double sigma = 0;    
        for(int i = 0; i < (t - start_t); i++) {sigma += pow(ratio,i) * pow(x\[t-1-i\] - ema, 2);
        }
        res\[t\] = (1-ratio) * sigma;
    }    
, n, ratio = n/(n+1)) run\_ema\_cpp(x, ratio)
run.esd = funct

 通过工夫为 106.16 秒。

执行此代码花了一段时间。然而，代码能够并行运行。以下是 RcppParallel 版本。

# 建设 RCPP 并行函数计算指数加权稳定率  
load.packages('RcppParallel')
sourceCpp(code='

using namespace Rcpp;
using namespace s
s(cpp11)\]\]
// \[\[Rcpp::depends(R
to read from
    const RMatrix<double> mat;
    // internal variables
    const double ratio
t;
    // initialize from Rcpp input and output matrixes
    run\_esd\_helper(const Nume
all operator that work for th

in, size_t end) {for (size_t c1 = begin; c1 < end; c1++) {        
            int t;
            // find start index; fir

通过工夫为 14.65 秒

运行工夫更短。接下来，让咱们直观地理解应用指数加权稳定率的影响

dates = '2007::2010'
layout(1:2)
e='h', col='black', plotX=F)
    plota.legend(paste('Dai
s,1\],type='l',col='black')

不出所料，指数加权稳定率在最近的察看后果中占了更大的比重，是一种更具反馈性的危险度量。

最受欢迎的见解

1.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

2.WinBUGS 对多元随机稳定率模型：贝叶斯预计与模型比拟

3. 稳定率的实现：ARCH 模型与 HAR-RV 模型

4.R 语言 ARMA-EGARCH 模型、集成预测算法对 SPX 理论稳定率进行预测

5. 应用 R 语言随机稳定模型 SV 解决工夫序列中的随机稳定率

6.R 语言多元 COPULA GARCH 模型工夫序列预测

7.R 语言基于 ARMA-GARCH 过程的 VAR 拟合和预测

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 语言对 S&P500 股票指数进行 ARIMA + GARCH 交易策略