原文链接：http://tecdat.cn/?p=3186
本文显示了如何基于潜在的ARMA-GARCH模型（当然也波及更宽泛意义上的QRM）来拟合和预测危险价值（VaR）。
从ARMA-GARCH过程模仿（log-return）数据
咱们思考应用t 散布的ARMA（1,1）-GARCH（1,1）过程。
模仿一个序列（用于阐明目标）。
nu <- 3 fixed.p <- list(mu = 0, # mu (截距) ar1 = 0.5, # phi\_1 (AR(1) 参数 of mu\_t) ma1 = 0.3, # theta\_1 (MA(1) 参数 of mu\_t) omega = 4, # alpha_0 (截距) alpha1 = 0.4, # alpha\_1 (GARCH(1) 参数 of sigma\_t^2) beta1 = 0.2, # beta\_1 (GARCH(1) 参数 of sigma\_t^2) shape = nu) # armaOrder <- c(1,1) # ARMA 参数garchOrder <- c(1,1) # GARCH 参数varModel <- list(model = "sGARCH", garchOrder = garchOrder)spec <- ugarchspec(varModel, mean.model = list(armaOrder = armaOrder), fixed.pars = fixed.p, distribution.model = "std") # t 规范残差作为一个完整性检查，让咱们绘制模仿序列，条件标准偏差和残差。
plot(X, type = "l", xlab = "t", ylab = expression(X\[t\]))plot(sig, type = "h", xlab = "t", ylab = expression(sigma\[t\]))plot(eps, type = "l", xlab = "t", ylab = expression(epsilon\[t\]))将ARMA-GARCH模型拟合到（模仿）数据
拟合ARMA-GARCH模型 。
让咱们再思考一些健全性查看。
## 拟合 ARMA(1,1)-GARCH(1,1) modelspec <- ugarchspec(varModel, mean.model = list(armaOrder = armaOrder), distribution.model = "std") # fit <- ugarchfit(spec, data = X) # fit## mu. <- fitted(fit) # 拟合 hat{mu}\_t (= hat{X}\_t)sig. <- sigma(fit) # 拟合 hat{sigma}_t## stopifnot(all.equal(as.numeric(mu.), fit@fit$fitted.values), all.equal(as.numeric(sig.), fit@fit$sigma))计算VaR工夫序列
计算VaR估计值。请留神，咱们也能够在这里应用基于GPD的估算模型。
Backtest VaR估计值
让咱们回测VaR的预计。
## \[1\] 10## \[1\] 12## \[1\] "Correct Exceedances"## \[1\] "Fail to Reject H0"## \[1\] "Correct Exceedances & Independent"## \[1\] "Fail to Reject H0"基于拟合模型预测VaR
当初预测VaR。
模仿X_t的将来轨迹并计算相应的VaR
模仿序列，预计每个模仿门路的VaR（留神quantile()这里不能应用，因而咱们必须手动构建VaR）并计算VaR _alpha的bootstrap置信区间。
后果比照
最初，咱们显示所有后果。
十分感谢您浏览本文，有任何问题请在上面留言！
最受欢迎的见解
1.R语言基于ARMA-GARCH-VaR模型拟合和预测实证钻研
2.R语言时变参数VAR随机模型
3.R语言时变参数VAR随机模型
4.R语言基于ARMA-GARCH过程的VAR拟合和预测
5.GARCH（1,1），MA以及历史模拟法的VaR比拟
6.R语言时变参数VAR随机模型
7.R语言实现向量主动回归VAR模型
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VAR模型的不同类型的脉冲响应剖析