共计 1397 个字符,预计需要花费 4 分钟才能阅读完成。
原文链接:http://tecdat.cn/?p=7194
这个简短的演示阐明了应用 r 软件包的 DCC 模型及其办法的应用,尤其是在存在 MVT 散布形态参数的状况下进行 2 级 DCC 预计的另一种办法。
第一阶段并将其传递给 dccfit
cl = makePSOCKcluster(10)
multf = multifit(uspec, Dat, cluster = cl)
接下来,预计 DCC 模型。
fit1 = dccfit(spec1, data = Dat, fit.control = list(eval.se = TRUE), fit = multf, cluster = cl)
为了在实践中拟合 DCC(MVT)模型,要么假设第一阶段的 QML,要么必须在阶段中独特估算独特的形态参数。在上面的示例中,一种代替办法用于预计近似独特形态参数。
似然度和形态参数变动的图表明,只需几次迭代即可收敛到稳固值。
shape 参数的值示意峰度为 1.06。对非对称 DCC(MVT)模型反复进行拟合。
xspec = ugarchspec(mean.model = list(armaOrder = c(1,1)), variance.model = list(garchOrder = c(1,1), model = "eGARCH"), distribution.model = "norm")
下表显示了估算模型的摘要,系数旁边的星号示意显着性程度(*** 1%,* 5%, 10%)。
## DCC-MVN aDCC-MVN DCC-MVL aDCC-MVL DCC-MVT aDCC-MVT
## a 0.00784*** 0.00639*** 0.00618*** 0.0055*** 0.00665*** 0.00623***
## b 0.97119*** 0.96956*** 0.97624*** 0.97468*** 0.97841*** 0.97784***
## g 0.00439 0.00237 0.00134
## shape 9.63947*** 9.72587***
## LogLik 22812 22814 22858 22859 23188 23188
下图表说明了来自不同模型的一些动静相关性:
终止集群对象:
stopCluster(cl)
参考文献
1. 用机器学习辨认一直变动的股市情况—隐马尔科夫模型 (HMM) 的利用
2.R 语言 GARCH-DCC 模型和 DCC(MVT)建模预计
3.R 语言实现 Copula 算法建模依赖性案例剖析报告
4.R 语言 COPULAS 和金融工夫序列数据 VaR 剖析
5.R 语言多元 COPULA GARCH 模型工夫序列预测
6. 用 R 语言实现神经网络预测股票实例
7.r 语言预测稳定率的实现:ARCH 模型与 HAR-RV 模型
8.R 语言如何做马尔科夫转换模型 markov switching model
9.matlab 应用 Copula 仿真优化市场危险
正文完