R语言ARMA|R语言ARMA GARCH COPULA模型拟合股票收益率时间序列和模拟可视化 R语言ARMAGARCHCOPULA模型拟合股票

原文链接：http://tecdat.cn/?p=25770 在本文中，我们展示了 copula GARCH 方法拟合模拟数据和股票数据并进行可视化。 r还提供了一个特殊情况（具有正态或学生 t残差）。
一、如何在R中对股票x和y的收益率拟合copula模型数据集 【R语言ARMA|R语言ARMA GARCH COPULA模型拟合股票收益率时间序列和模拟可视化】为了这个例子的目的，我使用了一个简单的股票x和y的收益率数据集（x.txt和y.txt）。
首先，我们需要加载数据并将其转换成矩阵格式。也可以选择绘制数据。

x <- read.tabley <- read.table# 实际观察结果plot

数据的图表

R语言ARMA|R语言ARMA GARCH COPULA模型拟合股票收益率时间序列和模拟可视化

文章图片

现在我们已经加载了我们的数据，可以清楚地看到，存在正相关。
下一步是拟合。为了拟合数据，我们需要选择一个copula模型。该模型应根据数据的结构和其他因素来选择。作为第一种近似值，我们可以说我们的数据显示了正相关，因此一个可以复制这种相关的copula模型应该是不错的。我选择使用正态copula。对于其他类型的copula模型来说，拟合过程是相同的。
让我们来拟合数据

# 正态CopulanormalCopulafiop<- fit# 系数rho <- coefprint

文章图片

请注意，数据必须通过函数pobs()输入，该函数将真实观测值转换为单位平方[0,1]的伪观测值。
还要注意的是，我们使用的是 "ml "方法（最大似然法），但是也有其他方法，如 "itau"。
在我们的例子中，拟合的协整参数rho等于0.73。让我们模拟一些假的观察结果
通过绘制伪观测值和模拟观测值，我们可以看到使用copula的模拟与伪观测值的匹配情况。

# 伪观察pobsplot# 模拟数据u1 = rCopula

文章图片

这个特定的copula可能不是最好的，因为它显示了严重的尾部相关性，而这在我们的数据中并不强烈，不过这只是一个开始。
在开始的时候，我们可以选择将数据与每个随机变量的分布画在一起，如下所示

# 用柱状图绘制数据 hst <- hist top <- maxlayout par plot barplot

并得到我们的原始数据集的这种表现形式

文章图片

将 t copula 拟合到标准化残差 Z。对于边缘分布，我们还假设 t分布，但具有不同的自由度；为简单起见，此处省略了估计。

文章图片

n <- rep # 边际自由度；为了简单起见，这里使用已知的自由度 es <- cbind # 拟合与真实 rownames

文章图片

从拟合的时间序列模型中模拟从拟合的 copula 模型进行模拟。
并为每个边缘绘制结果序列 (Xt)

X <- sapply # 模拟序列X_t matplot

文章图片

二、模拟数据首先，我们模拟了分布。为了演示的目的，我们选择了一个小的样本量。

##模拟 Copula # 定义copula对象 set.seed(21) # 可重复性 # 对copula进行采样 sqrt * qt # 对于ugarchpath()来说，边际必须具有均值0和方差1!

现在我们使用依赖于 copula 来模拟两个 ARMA(1,1)-GARCH(1,1) 过程。 ARMA(p1,q1)-GARCH(p2,q2) 模型由下式给出

文章图片

## 固定边缘模型的参数 fixedp <- list var <- list(model = "sGARCH") # 标准GARCH garch # 条件创新密度（或者使用，例如，"std"）。## 使用从属创新模拟ARMA-GARCH模型 garch n.sim = n, # 模拟的路径长度 m.sim = d, # 要模拟的路径数量##提取结果系列 fit# X\_t = mu\_t + eps_t (模拟过程) sig # sigma_t (条件性标准偏差) resid # epsilon\_t = sigma\_t * Z_t (残差)## 绘制 matplot

文章图片

基于模拟数据的拟合我们现在展示如何将 ARMA(1,1)-GARCH(1,1) 过程拟合到 X

garchspec fit <- apply

检查（标准化的）Z，即残差Z的伪观测值。

Z <- sapply U <- pobs plot

文章图片

将 t copula 拟合到标准化残差 Z。对于边缘分布，我们还假设 t分布，但具有不同的自由度；为简单起见，此处省略了估计。

fitCopula

文章图片

n <- rep # 边际自由度；为了简单起见，这里使用已知的自由度 es <- cbind # 拟合与真实 rownames

文章图片

从拟合的时间序列模型中模拟从拟合的 copula 模型进行模拟。

set.seed(21) # 可重复性 U <- rCopula Z. <- sapply ## => 标准化的garchsim() sim <- lapply

并为每个边缘绘制结果序列 (Xt)

X <- sapply # 模拟序列X_t matplot

文章图片

文章图片

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研究
2.r语言实现copula算法建模依赖性案例
3.R语言COPULAS和金融时间序列数据VaR分析
4.R语言多元COPULA GARCH 模型时间序列预测
5.GARCH（1,1），MA以及历史模拟法的VaR比较
6.matlab使用Copula仿真优化市场风险数据分析
7.R语言实现向量自动回归VAR模型
8.R语言随机搜索变量选择SSVS估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分析