R语言ARIMA | 您所在的位置:网站首页 › GARch模型什么时候学 › R语言ARIMA |
原文链接:http://tecdat.cn/?p=23934
在本文中,我们将尝试为苹果公司的日收益率寻找一个合适的 GARCH 模型(点击文末“阅读原文”获取完整代码数据)。 相关视频 波动率建模需要两个主要步骤。 指定一个均值方程(例如 ARMA,AR,MA,ARIMA 等)。 建立一个波动率方程(例如 GARCH, ARCH,这些方程是由 Robert Engle 首先开发的)。 要做(1),你需要利用著名的Box-Jenkins方法,它包括三个主要步骤。 识别 估算 诊断检查 这三个步骤有时会有不同的名称,这取决于你读的是谁的书。在本文中,我将更多地关注(2)。 我将使用一个名为quantmod的软件包,它代表量化金融建模框架。这允许你在R中直接从各种在线资源中抓取金融数据。 #install.packages("quantmod") -需要先安装该软件包 getSymbols(Symbols = "AAPL", src="yahoo", #其他来源包括:谷歌、FRED等。收益通常有一个非常简单的平均数方程,这导致了简单的残差。 我们首先要测试序列依赖性,这是条件异方差的一个指标(序列依赖性与序列相关不同)。这是通过对原始序列的平方/绝对值进行测试,并使用Ljung和Box(1978)的Ljung-Box测试等联合假设进行测试,这是一个Portmentau检验,正式检验连续自相关,直到预定的滞后数,如下所示。 其中T是总的周期数,m是你要测试的序列相关的滞后期数,ρ2k是滞后期k的相关性,Q∗(m)∼χ2α有m个自由度。 检查下面是AAPL对数收益时间序列及其ACF,这里我们要寻找显著的滞后期(也可以运行pacf)或存在序列自相关。 通过观察ACF,水平序列(对数收益)并不是真正的自相关,但现在让我们看一下平方序列来检查序列依赖性。 点击标题查阅往期相关内容 R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模 左右滑动查看更多 01 02 03 04 我们可以看到,平方序列的ACF显示出显著的滞后。这是一个信号,说明我们应该在某个时候测试ARCH效应。 平稳性我们可以看到,AAPL的对数回报在某种程度上是一个平稳的过程,所以我们将使用Augmented Dicky-Fuller检验(ADF)来正式检验平稳性。ADF是一个广泛使用的单位根检验,即平稳性。我们将使用12个滞后期,因为根据文献的建议,我们有每日数据。何:存在单位根(系列是非平稳的 ## ## Title: ## Augmented Dickey-Fuller Test ## ## Test Results: ## PARAMETER: ## Lag Order: 12 ## STATISTIC: ## Dickey-Fuller: -14.6203 ## P VALUE: ## 0.01 ## ## Description: ## Mon May 25 16:45:37 2020 by user: Florian上面的P值为0.01,表明我们应该拒绝Ho,因此,该系列是平稳的。 结构突变_检验_请注意,我从2008年底开始研究APPL序列。以避免08年大衰退,通常会在数据中产生结构性突变(即趋势的严重下降/跳跃)。我们将对结构性突变/变化进行Chow测试。AAPL的日收益率没有结构性突变 该图显示,用于估计断点(BP)数量的BIC(黑线)是BIC线的最小值,所以我们可以确认没有结构性断点,因为最小值是零,即零断点。在预测时间序列时,断点非常重要。 估计在这一节中,我们试图用auto.arima命令来拟合最佳arima模型,允许一个季节性差异和一个水平差异。 正如我们所知,{Yt}的一般ARIMA(p,d,q)。 根据auto.arima,最佳模型是ARIMA(3,0,2),平均数为非零,AIC为-14781.55。我们的平均方程如下(括号内为SE)。 Auto.arima函数挑选出具有最低AIC的ARIMA(p,d,q),其中。 其中Λθ是观察到的数据在参数的mle的概率。因此,如果Auto.arima函数运行N模型,其决策规则为AIC∗=min{AICi}Ni=1 诊断检查我们可以看到,我们的ARIMA(3,0,2)的残差是良好的表现。它们似乎也有一定的正态分布 现在我们将通过对我们的ARIMA(3,0,2)模型的平方残差应用Ljung-Box测试来检验ARCH效应。 |
今日新闻 |
推荐新闻 |
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 |