拓端tecdat|拓端tecdat|R语言中的copula GARCH模型拟合时间序列并模拟分析拓端tecdat|R语言中的copulaGARCH模

原文链接：http://tecdat.cn/?p=23115 在这个文章中，我们演示了copula GARCH方法（一般情况下）。
1 模拟数据首先，我们模拟一下创新分布。我们选择了一个小的样本量。理想情况下，样本量应该更大，更容易发现GARCH效应。

## 模拟创新 d <- 2 # 维度 tau <- 0.5 # Kendall's tau Copula("t", param = th, dim = d, df = nu) # 定义copula对象 rCopula(n, cop) # 对copula进行采样 sqrt((nu.-2)/nu.) * qt(U, df = nu) # 对于ugarchpath()来说，边缘必须具有均值0和方差1!

现在我们用这些copula依赖的创新分布来模拟两个ARMA(1,1)-GARCH(1,1)过程。

## 边缘模型的参数 fixed.p <- list(mu= 1, spec(varModel, meanModel, fixed.pars ) # 条件创新密度（或使用，例如，"std"）## 使用创新模拟ARMA-GARCH模型 ## 注意: ugarchpath(): 从spec中模拟; garchpath(uspec, n.sim = n, # 模拟的路径长度## 提取结果系列 X. <- fitted(X) # X\_t = mu\_t + eps_t (simulated process)## 基本检查: stopifnot(all.equal(X.,X@path$seriesSim, check.attributes = FALSE),## 绘制边缘函数 plot(X., type = "l", xlab = "t")

拓端tecdat|拓端tecdat|R语言中的copula GARCH模型拟合时间序列并模拟分析

文章图片

2 基于模拟数据的拟合程序我们现在展示如何对X进行ARMA(1,1)-GARCH(1,1)过程的拟合（我们删除参数fixed.pars来估计这些参数）。

spec(varModel, mean.model = meanModel) ugarchfit(uspec, data = https://www.it610.com/article/x))

检查（标准化的）Z，即残差Z的伪观测值。

plot(U.)

文章图片

对于边缘分布，我们也假定为t分布，但自由度不同。

fit("t", dim = 2), data = https://www.it610.com/article/U., method ="mpl")

nu. <- rep(nu., d) # 边缘自由度 est <- cbind(fitted = c(estimate, nu.), true = c(th, nu, nu.)) # 拟合与真实值

文章图片

3 从拟合的时间序列模型进行模拟从拟合的copula 模型进行模拟。

set.seed(271) # 可重复性 sapply(1:d, function(j) sqrt((nu\[j\]-2)/nu\[j\]) * qt(U\[,j\], df = nu\[j\])) ## => 创新必须是标准化的garch() sim(fit\[\[j\]\], n.sim = n, m.sim = 1,

并绘制出每个结果序列（XtXt）。

apply(sim,fitted(x)) # 模拟序列 plot(X.., type = "l")

文章图片

文章图片

最受欢迎的见解
1.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用
2.R语言GARCH-DCC模型和DCC（MVT）建模估计
3.R语言实现 Copula 算法建模依赖性案例分析报告
4.R语言COPULAS和金融时间序列数据VaR分析
5.R语言多元COPULA GARCH 模型时间序列预测
6.用R语言实现神经网络预测股票实例
7.r语言预测波动率的实现：ARCH模型与HAR-RV模型
8.R语言如何做马尔科夫转换模型markov switching model
【拓端tecdat|拓端tecdat|R语言中的copula GARCH模型拟合时间序列并模拟分析】9.matlab使用Copula仿真优化市场风险