原文链接：http://tecdat.cn/?p=12292

最近咱们被客户要求撰写对于HAR-RV的钻研报告，包含一些图形和统计输入。

咱们复制了Ghysels（2013）中提供的示例。咱们进行了MIDAS回归剖析，来预测季度GDP增长以及每月非农就业人数的增长

预测GDP增长

预测公式如下

其中yt是按季度季节性调整后的理论GDP的对数增长，x3t是月度总待业非农业工资的对数增长。

首先，咱们加载数据并执行转换。

R> y <- window(USqgdp, end = c(2011, 2))R> x <- window(USpayems, end = c(2011, 7))R> yg <- diff(log(y)) * 100R> xg <- diff(log(x)) * 100

最初两行用于平衡样本大小，样本大小在原始数据中有所不同。咱们只需在数据的结尾和结尾增加其余NA值即可。数据的图形示意如图所示。要指定midas_r函数的模型，咱们以下等效模式重写它：

点击题目查阅往期内容

R语言预测期货稳定率的实现：ARCH与HAR-RV与GARCH，ARFIMA模型比拟

左右滑动查看更多

01

02

03

04

就像在Ghysels（2013）中一样，咱们将估算样本限度在1985年第一季度到2009年第一季度之间。咱们应用Beta多项式，非零Beta和U-MIDAS权重来评估模型。

R> coef(beta0)(Intercept) yy xx1 xx2 xx30.8315274 0.1058910 2.5887103 1.0201202 13.6867809R> coef(betan)(Intercept) yy xx1 xx2 xx3 xx40.93778705 0.06748141 2.26970646 0.98659174 1.49616336 -0.09184983(Intercept) yy xx1 xx2 xx3 xx40.92989757 0.08358393 2.00047205 0.88134597 0.42964662 -0.17596814xx5 xx6 xx7 xx8 xx90.28351010 1.16285271 -0.53081967 -0.73391876 -1.18732001

咱们能够应用2009年第2季度至2011年第2季度蕴含9个季度的样本数据评估这三个模型的预测性能。

R> fulldata <- list(xx = window(nx, start = c(1985, 1), end = c(2011, 6)),+ yy = window(ny, start = c(1985, 1), end = c(2011, 2)))R> insample <- 1:length(yy)R> outsample <- (1:length(fulldata$yy))[-insample]R> avgf <- average_forecast(list(beta0, betan, um), data = fulldata,+ insample = insample, outsample = outsample)R> sqrt(avgf$accuracy$individual$MSE.out.of.sample)[1] 0.5361953 0.4766972 0.4457144

咱们看到，MIDAS回归模型提供了最佳的样本外RMSE。

预测理论稳定

作为另一个演示，咱们应用midasr来预测每日实现的稳定率。Corsi（2009）提出了一个简略的预测每日理论稳定率的模型。实现稳定率的异质自回归模型（HAR-RV）定义为

咱们假如一周有5天，一个月有4周。该模型是MIDAS回归的特例：

为了进行教训论证，咱们应用了由Heber，Lunde，Shephard和Sheppard（2009）提供的对于股票指数的已实现稳定数据。咱们基于5分钟的收益数据估算S＆P500指数的年度实现稳定率模型。

 Parameters:Estimate Std. Error t value Pr(>|t|)(Intercept) 0.83041 0.36437 2.279 0.022726 *rv1 0.34066 0.04463 7.633 2.95e-14 ***rv2 0.41135 0.06932 5.934 3.25e-09 ***rv3 0.19317 0.05081 3.802 0.000146 ***---Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Residual standard error: 5.563 on 3435 degrees of freedom

为了进行比拟，咱们还应用归一化指数Almon权重来预计模型

 Parameters:Estimate Std. Error t value Pr(>|t|)(Intercept) 0.837660 0.377536 2.219 0.0266 *rv1 0.944719 0.027748 34.046 < 2e-16 ***rv2 -0.768296 0.096120 -7.993 1.78e-15 ***rv3 0.029084 0.005604 5.190 2.23e-07 ***---Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Residual standard error: 5.535 on 3435 degrees of freedom

咱们能够应用异方差性和自相干鲁棒权重标准测验hAhr_test来测验这些限度中哪些与数据兼容。

 hAh restriction test (robust version)data:hAhr = 28.074, df = 17, p-value = 0.04408 hAh restriction test (robust version)data:hAhr = 19.271, df = 17, p-value = 0.3132

咱们能够看到，与MIDAS回归模型中的HAR-RV隐含束缚无关的零假如在0.05的显着性程度上被回绝，而指数Almon滞后束缚的零假如则不能被回绝。

图阐明了拟合的MIDAS回归系数和U-MIDAS回归系数及其相应的95％置信区间。对于指数Almon滞后指标，咱们能够通过AIC或BIC抉择滞后次数。

咱们应用了两种优化办法来进步收敛性。将测试函数利用于每个候选模型。函数hAhr_test须要大量的计算工夫，尤其是对于滞后阶数较大的模型，因而咱们仅在第二步进行计算，并且限度了滞后 restriction test 的抉择。AIC抉择模型有9阶滞后：

 Selected model with AIC = 21551.97Based on restricted MIDAS regression modelThe p-value for the null hypothesis of the test hAhr_test is 0.5531733 Parameters:Estimate Std. Error t value Pr(>|t|)(Intercept) 0.96102 0.36944 2.601 0.00933 **rv1 0.93707 0.02729 34.337 < 2e-16 ***rv2 -1.19233 0.19288 -6.182 7.08e-10 ***rv3 0.09657 0.02190 4.411 1.06e-05 ***---Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Residual standard error: 5.524 on 3440 degrees of freedom

hAh_test的HAC再次无奈回绝指数Almon滞后的原假如。咱们能够应用具备1000个观测值窗口的滚动预测来钻研两个模型的预测性能。为了进行比拟，咱们还计算了无限度AR（20）模型的预测。

 Model MSE.out.of.sample MAPE.out.of.sample1 rv ~  (rv, 1:20, 1) 10.82516 26.602012 rv ~  (rv, 1:20, 1, harstep) 10.45842 25.930133 rv ~  (rv, 1:9, 1, nealmon) 10.34797 25.90268MASE.out.of.sample MSE.in.sample MAPE.in.sample MASE.in.sample1 0.8199566 28.61602 21.56704 0.83338582 0.8019687 29.24989 21.59220 0.83673773 0.7945121 29.08284 21.81484 0.8401646

咱们看到指数Almon滞后模型略优于HAR-RV模型，并且两个模型均优于AR（20）模型。

参考文献

Andreou E，Ghysels E，Kourtellos A（2010）。“具备混合采样频率的回归模型。” 计量经济学杂志，158，246–261。doi：10.1016 / j.jeconom.2010.01。004。

Andreou E，Ghysels E，Kourtellos A（2011）。“混合频率数据的预测。” 在MP Clements中，DF Hendry（编），《牛津经济预测手册》，第225–245页。

点击文末 “浏览原文”

获取全文残缺材料。

本文选自《R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长》。

点击题目查阅往期内容

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
R语言预测期货稳定率的实现：ARCH与HAR-RV与GARCH，ARFIMA模型比拟
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