GARCH1,1,MA以和历史模拟法的VaR比较
风险价值(VaR)及其所有相关问题仍然是风险管理中的主要模型。风险价值的一个关键问题是它没有适当地考虑波动率,这意味着危机期间风险被低估。最近我们被客户要求撰写关于VaR的研究报告,包括一些图形和统计输出。
相关视频:时间序列分析:ARIMA GARCH模型分析股票价格数据
时间序列分析模型 ARIMA-ARCH GARCH模型分析股票价格数据
视频:风险价值VaR原理与Python蒙特卡罗Monte Carlo模拟计算投资组合实例
风险价值VaR原理与Python蒙特卡罗Monte Carlo模拟计算投资组合实例
,时长10:03
解决这个问题的一个强有力的方法是将VaR与GARCH模型结合起来考虑条件波动性。为了说明这种方法,我们将一个正态分布的GARCH(1,1)应用于股票市场指数。
-
##初始化
-
#Load Packages
-
library(fImport)
-
library(fPortfolio)
-
library(ggplot2)
-
-
#输入
-
from = "1995-11-20"
-
to = "2015-12-17"
-
symbol = "^SSMI"
-
-
#获取数据
-
TS <- yahooSeries(symbol, from = from, to = to)
-
SMI <- TS[,ncol(TS)]
-
SMI <- returns(SMI, method = "continuous")
-
-
#绘制收益率
-
seriesPlot(TS[,4])
从Yahoo获取数据
-
histPlot(SMI, main = "SMI Returns")
-
模型估计
SMI收益数据有5078个观测值。我使用前3078个观察值对GARCH模型进行初始估计。其余的2000个观测值用于验证和测试。
-
library(rugarch)
-
library(zoo)
-
-
SMIdf <- as.data.frame(SMI)
-
-
#GARCH
-
#GARCH定义 (改变分布类型)
-
gspec11 <- ugarchspec(variance.model = list(model = "sGARCH",
-
garchOrder = c(1, 1)),
-
mean.model=list(armaOrder=c(0,0),
-
include.mean = FALSE),
-
distribution="norm")
-
结果
-
-
#VaR 结果
-
plot(Returns, type = "l", pch = 16, cex = 0.8, col = gray(0.2, 0.5),
-
ylab = "Returns", main = "95% VaR Forecasting", xaxt = "n")
从图中我们可以看到,VaR-GARCH(黑线)组合更加符合实际,降低了发生波动时的VAR限制,而对于静态VaR(红线),我们观察到了收益率连续突破界限。
这篇好文章是转载于:学新通技术网
- 版权申明: 本站部分内容来自互联网,仅供学习及演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,请提供相关证据及您的身份证明,我们将在收到邮件后48小时内删除。
- 本站站名: 学新通技术网
- 本文地址: /boutique/detail/tanhgbkkkk
系列文章
更多
同类精品
更多
-
photoshop保存的图片太大微信发不了怎么办
PHP中文网 06-15 -
《学习通》视频自动暂停处理方法
HelloWorld317 07-05 -
word里面弄一个表格后上面的标题会跑到下面怎么办
PHP中文网 06-20 -
Android 11 保存文件到外部存储,并分享文件
Luke 10-12 -
photoshop扩展功能面板显示灰色怎么办
PHP中文网 06-14 -
微信公众号没有声音提示怎么办
PHP中文网 03-31 -
excel下划线不显示怎么办
PHP中文网 06-23 -
excel打印预览压线压字怎么办
PHP中文网 06-22 -
TikTok加速器哪个好免费的TK加速器推荐
TK小达人 10-01 -
怎样阻止微信小程序自动打开
PHP中文网 06-13