拓端数据tecdat:多元Copula GARCH 模型时间序列预测

原文链接

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：后者要比前者“抖动”多了。有漂移且随机波动的序列，在一元或多元的情况下，构建Copula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回报率为例建立模型。

首先我们可以绘制这三个时间序列。

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=dat[,1],cond.dist ="std")

可视化波动

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}

+ }

2  BEKK（1,1）模型：

> library(MTS)>

bekk=BEKK11(dat_arma)

隐含的相关性

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

而联合密度为

可视化Copula密度

查看相关性是否随着时间的推移而稳定。

斯皮尔曼相关性

Kendall的tau相关性

对相关性建模，考虑DCC模型

对数据进行预测

> library(rmgarch)

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

plot(fcst)

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！

转载请注明出处：

tecdat.cn

每天学习一点数据分析，获取最新的大数据资讯，让我们一起做有态度的数据人。

原文请浏览官网

【拓端数据tecdat.cn】第三方数据服务提供商,提供全面的统计分析与数据挖掘咨询服务,为客户定制个性化的数据解决方案与行业报告等。

中国专业的统计分析和数据挖掘咨询服务商：拓端数据（商务合作请联系官网客服）

帅的小伙伴都关注了拓端数据团队^..^~

QQ交流群：186388004

微信公众号：拓端数据

微信客服号：lico_9e