R語言多元CopulaGARCH模型時間序列預測

原文連接  http://tecdat.cn/?p=2623

和宏觀經濟數據不一樣，金融市場上多爲高頻數據，好比股票收益率序列。直觀的來講：後者要比前者「抖動」多了。有漂移且隨機波動的序列，在一元或多元的狀況下，構建Copula模型和GARCH模型是最好的選擇。

多元GARCH家族中，種類很是多，須要本身多推導理解，選擇最優模型。本文使用R軟件對3家上市公司近十年的每週回報率爲例創建模型。

首先咱們能夠繪製這三個時間序列。

在這裏使用多變量的ARMA-GARCH模型。

本文考慮了兩種模型

1 ARMA 模型殘差的多變量GARCH過程

2 ARMA-GARCH過程殘差的多變量模型（基於Copula ）

1 ARMA-GARCH模型

> fit1=garchFit(formula = ~ arma(2,1)+garch(1,1),data=dat[,1],cond.dist ="std")

可視化波動

隱含的相關性

>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)

隱含的相關性

對單變量GARCH模型殘差建模

第一步多是考慮殘差的靜態（聯合）分佈。單變量邊際分佈是

而聯合密度爲

可視化Copula密度

查看相關性是否隨着時間的推移而穩定。

斯皮爾曼相關性

Kendall的tau相關性

對相關性建模，考慮DCC模型

對數據進行預測

> library(rmgarch)

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

plot(fcst)