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