拓端tecdat|拓端tecdat|R语言GJR-GARCH和GARCH波动率预测普尔指数时间序列和Mincer Zarnowitz回归、DM检验、JB检验 tecdat|r语言|回归|开发语言|拓端

原文链接：http://tecdat.cn/?p=25569 原文出处：拓端数据部落公众号
【拓端tecdat|拓端tecdat|R语言GJR-GARCH和GARCH波动率预测普尔指数时间序列和Mincer Zarnowitz回归、DM检验、JB检验】在投资组合管理、风险管理和衍生品定价中，波动性起着重要作用。事实上如此重要，以至于您可以找到比您可以处理的更多的波动率模型。接下来是检查每个模型在样本内外的表现如何。以下是您可以做的三件事：

1. 基于回归的检验——Mincer Zarnowitz 回归
这个想法很简单，回归预测的实际（实现）值：

文章图片

现在我们共同检验假设：

文章图片

截距为零意味着你的预测是无偏的。矛盾的是，如果截距是0.02，这意味着为了使两边相等，我们在预测中平均增加0.02，所以它一直在低估观察值。斜率应该是1，也就是说，你的预测完全 "解释 "了观察值。
2. 配对比较——Diebold Mariano 检验。
假设您有两个模型，它们产生两组预测。因此，您有两组误差。调用这些误差

文章图片

在两种方法相同的情况下，这两个向量的差
文章图片
平均为零（或这些向量的函数，例如 e1^2 – e2^2）。在仅使用相同方法复制预测的极端情况下，差正好为零。更重要的是，我们知道这种差是如何分布的（渐近地..），因此我们可以测试它是否确实偏离零。
难以理解这一点。如果不知道 2 的结果的可能性有多大，就不可能测量 0 和 2 之间的距离。在 {-3,3} 之间均匀分布的 2 的结果并不像具有标准正态分布的 2 的结果那样不可能。
产生明显更小的误差（通常是平方误差或绝对误差）的方法是首选。您可以轻松地将其扩展到多个比较。
3. Jarque-Bera 检验
在这种情况下，我们有一个准确的波动率预测。我们可以将序列中心化并使用我们对标准差的预测对其进行标准化。准确地说：

文章图片

应该有均值零和标准差一。新的标准化序列通常不会呈正态分布，但您可以使用此检验来衡量模型获取原始序列的偏度和峰度的程度。
实证研究中，前两个方案对一般的预测评估是有效的，然而，波动率是不可观察的，所以我们用什么作为观察值并不清楚。我们所做的是用一个替代物来代替 "观察到的"，通常是收益率的平方。在这里你可以找到更准确的替代方法，但是，它们是基于日内信息的，所以你需要获得日内数据源。
我们看看在 R 中是如何工作的。
我从谷歌提取数据，采集5年的标准普尔指数收益序列，并估计标准 garch(1,1) 和另一个更准确的 GJR-garch（不对称 garch）。

dat0= as.matrix(getSymboln = NROWplotgjrc <- ugarchspec gjrmodel = fitgjrfit = sigmaNit = as.dsigmaresq = ret^2Nsq = Nfit^2Tsq = Tfit^2plot

文章图片

具有两种 Garch 模型的 SPY 波动率

########################## mincer-zarnowitz回归 #########################Nmz = lm Tmz = lmlinsis

文章图片

lineesis

文章图片

##########################DM检验#########################dmst

文章图片

对于平方损失函数，两组预测之间没有区别

########################## Jarque Bera 检验#########################stanN = scalestajr = scalescret = scale# 没有波动率模型，只有无条件波动率jbtest$stat

文章图片

rjbtestat

文章图片

rjteststat

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语言时变参数VAR随机模型
3.R语言估计时变VAR模型时间序列的实证研究
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比较
6.R语言用向量自回归（VAR）进行经济数据脉冲响应
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