关于数据挖掘:GARCH11MA以及历史模拟法的VaR比较

原文链接：http://tecdat.cn/?p=3817 

原文出处：拓端数据部落公众号

危险价值（VaR）及其所有相干问题依然是风险管理中的次要模型。危险价值的一个关键问题是它没有适当地思考稳定率，这意味着危机期间危险被低估。

解决这个问题的一个强有力的办法是将VaR与GARCH模型联合起来思考条件波动性。为了阐明这种办法，咱们将一个正态分布的GARCH（1,1）利用于股票市场指数。

##初始化#Load Packageslibrary(fImport)library(fPortfolio)library(ggplot2)#输出from = "1995-11-20"to = "2015-12-17"symbol = "^SSMI"#获取数据TS <- yahooSeries(symbol, from = from, to = to)SMI <- TS\[,ncol(TS)\]SMI <- returns(SMI, method = "continuous")#绘制收益率 seriesPlot(TS\[,4\])

从Yahoo获取数据

histPlot(SMI, main = "SMI Returns")

模型预计

SMI收益数据有5078个观测值。我应用前3078个察看值对GARCH模型进行初始预计。其余的2000个观测值用于验证和测试。

library(rugarch)library(zoo)SMIdf <- as.data.frame(SMI)#GARCH#GARCH定义 (扭转散布类型)gspec11 <- ugarchspec(variance.model = list(model = "sGARCH",                       garchOrder = c(1, 1)),                      mean.model=list(armaOrder=c(0,0),                       include.mean = FALSE),                       distribution="norm")

后果

#VaR 后果plot(Returns, type = "l", pch = 16, cex = 0.8,  col = gray(0.2, 0.5),     ylab = "Returns", main = "95% VaR Forecasting", xaxt = "n")

从图中咱们能够看到，VaR-GARCH（黑线）组合更加符合实际，升高了产生稳定时的VAR限度，而对于动态VaR（红线），咱们察看到了收益率间断冲破界线。

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