共计 1001 个字符,预计需要花费 3 分钟才能阅读完成。
原文链接:http://tecdat.cn/?p=3817
风险价值(VaR)及其所有相关问题仍然是风险管理中的主要模式。风险价值的一个关键问题是它没有适当地考虑波动率,这意味着危机期间风险被低估。
解决这个问题的一个强有力的方法是 将 VaR 与 GARCH 模型结合起来考虑条件波动性。为了说明这种方法,我们将一个正态分布的 GARCH(1,1)应用于瑞士股票市场指数 SMI。
##Initialisation
#Load Packages
library(fImport)
library(fPortfolio)
library(ggplot2)
#Inputs
from = "1995-11-20"
to = "2015-12-17"
symbol = "^SSMI"
#Get Data from Yahoo
TS <- yahooSeries(symbol, from = from, to = to)
SMI <- TS[,ncol(TS)]
SMI <- returns(SMI, method = "continuous")
#Plot SMI Returns
seriesPlot(TS[,4])
从 Yahoo 获取数据
histPlot(SMI, main = "SMI Returns")
模型估计
SMI 返回的数据有 5078 个观测值。我使用前 3078 个观察值对 GARCH 模型进行初始估计。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 Spec - (Change Distribution here)
gspec11 <- ugarchspec(variance.model = list(model = "sGARCH",
garchOrder = c(1, 1)),
mean.model=list(armaOrder=c(0,0),
include.mean = FALSE),
distribution="norm")
结果
#VaR Plot
plot(Returns, type = "l", pch = 16, cex = 0.8, col = gray(0.2, 0.5),
ylab = "Returns", main = "95% VaR Forecasting", xaxt = "n")
从图中我们可以看到,VaR-GARCH(黑线)组合更加现实,降低了发生波动集群时的 VAR 限制,而对于静态 VaR(红线),我们观察到了连续极限突破。
正文完