拓端tecdat|R语言时变波动率和ARCH，GARCH，GARCH-in-mean模型分析股市收益率时间序列

原文链接：http://tecdat.cn/?p=23225

原文出处：拓端数据部落公众号

自回归条件异方差（ARCH）模型涉及具有时变异方差的时间序列，其中方差是以特定时间点的现有信息为条件的。

ARCH模型

ARCH模型假设时间序列模型中误差项的条件均值是常数（零），与我们迄今为止讨论的非平稳序列不同），但其条件方差不是。这样一个模型可以用公式1、2和3来描述。

方程4和5给出了测试模型和假设，以测试时间序列中的ARCH效应，其中残差e^t来自于将变量yt回归一个常数，如1，或回归一个常数加上其他回归因子；方程4中的测试可能包括几个滞后项，在这种情况下，无效假设（方程5）是所有这些项都不显著。

无效假设是不存在ARCH效应。检验统计量为

下面的例子使用了数据集，它包含了500个股票收益率的生成观测值。图显示了数据的时间序列图和柱状图。

plot.ts(r)
hist(r)

图: 变量的水平和柱状图

让我们首先对数据集中的变量r一步一步地进行公式4和5中描述的ARCH检验。

summary(yd)

ehsq <- ts(resid(mean)^2)
summary(ARCH)


Rsq <- glance(ARCH)[[1]]
LM <- (T-q)*Rsq
Chicr <- qchisq(1-alpha, q)

结果是LM统计量，等于62.16，与α=0.05和q=1自由度的临界卡方值进行比较；这个值是χ2(0.95,1)=3.84；这表明拒绝了无效假设，结论是该序列具有ARCH效应。

如果我们不使用一步步的程序，而是使用R的ARCH检验功能之一，也可以得出同样的结论。

ArchTest

函数garch()，当使用order=参数等于c(0,1)时，成为一个ARCH模型。这个函数可以用来估计和绘制方程3中定义的方差ht，如以下代码和图所示。

garch(r,c(0,1))

summary(arch)

ts(2*fitted.values^2)
plot.ts(hhat)

图对数据集的ARCH(1)方差的估计

GARCH模型

# 使用软件包`garch`来建立GARCH模型fit(spec=garch, data=r)
coef(Fit)

fitted.values
fit$sigma^2)
plot.ts(hhat)

图: 使用数据集的标准GARCH模型（sGARCH）。

# tGARCH garchfit(spec, data=r， submodel="TGARCH")
coef(garchfit)

fitted.valuesfit$sigma^2)
plot.ts(hhat)

图: 数据集的tGARCH模型

# GARCH-IN-MEAN模型fit( data=r, distribution="std",variance=list(model="fGARCH")
coef(garchFit)

fit$fitted.values
fit$sigma^2)
plot.ts(hhat)

图：使用数据集的GARCH-in-mean模型的一个版本

图显示了GARCH模型的几个版本。预测结果可以通过ugarchboot()来获得。

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.使用r语言进行时间序列（arima，指数平滑）分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测