R语言多元COPULA|R语言多元COPULA GARCH 模型时间序列预测 R语言多元COPULAGARCH模型时间序

原文链接http://tecdat.cn/?p=2623 原文出处：拓端数据部落公众号和宏观经济数据不同，金融市场上多为高频数据，比如股票收益率序列。直观的来说，后者是比前者“波动”更多且随机波动的序列，在一元或多元的情况下，构建Copula函数模型和GARCH模型是最好的选择。
多元GARCH家族中，种类非常多，需要自己多推导理解，选择最优模型。本文使用R软件对3家上市公司近十年的每周收益率为例建立模型。

文章图片

首先我们可以绘制这三个时间序列。

文章图片

在这里使用多变量的ARMA-GARCH模型。
本文考虑了两种模型
1 ARMA模型残差的多变量GARCH过程
2 ARMA-GARCH过程残差的多变量模型（基于Copula）

1 ARMA-GARCH模型

> fit1 = garchFit（formula = ~arma（2,1）+ garch（1,1），data = https://www.it610.com/article/dat /[，1/]，cond.dist =“std”）

可视化波动

文章图片

隐含的相关性

> emwa\_series\_cor = function（i = 1，j = 2）{+ if（（min（i，j）== 1）＆（max（i，j）== 2））{+ a = 1; B = 5; AB = 2}+}

文章图片

2 BEKK（1,1）模型： BEKK11（dat_arma）

文章图片

隐含的相关性

文章图片

对单变量GARCH模型残差建模
第一步可能是考虑残差的静态（联合）分布。单变量边际分布是

文章图片

而联合密度为

文章图片

可视化密度

文章图片

文章图片

查看相关性是否随着时间的推移而稳定。

文章图片

斯皮尔曼相关性

文章图片

肯德尔相关性

文章图片

对相关性建模，考虑DCC模型

文章图片

对数据进行预测

> fcst = dccforecast（dcc.fit，n.ahead = 200）

文章图片

我们已经完全掌握了多元GARCH模型的使用，接下来就可以放手去用R处理时间序列了！

文章图片

最受欢迎的见解
1.R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
2.R语言基于ARMA-GARCH-VaR模型拟合和预测实证
3.R语言基于ARMA-GARCH过程的VAR拟合和预测
4.GARCH（1,1），MA以及历史模拟法的VaR比较
5.R语言多元COPULA GARCH 模型时间序列预测
6.matlab预测ARMA-GARCH 条件均值和方差模型
7.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
8.R语言： GARCH模型股票交易量的研究道琼斯股票市场指数
【R语言多元COPULA|R语言多元COPULA GARCH 模型时间序列预测】9.R语言GARCH-DCC模型和DCC（MVT）建模估计