拓端tecdat|R语言多变量广义正交GARCH（GOGARCH）模型对股市高维波动率时间序列拟合预测

原文链接：http://tecdat.cn/?p=25687

原文出处：拓端数据部落公众号

在多变量波动率预测中，我们有时会看到对少数主成分驱动的协方差矩阵建模，而不是完整的股票。使用这种因子波动率模型的优势是很多的。

首先，你不需要对每个股票单独建模，你可以处理流动性相当弱的股票。第二，因子波动率模型在计算成本低。第三，与指数加权模型相比，持久性参数（通常表示为）不必在所有股票上都是一样的。你可以为每个因子指定一个不同的过程，这样协方差矩阵过程就会有更丰富的动态变化。 

但这里没有免费的午餐，代价是信息的损失。它是将协方差矩阵中的信息浓缩为少数几个因子的代价。这意味着因子波动率模型最适合于实际显示因子结构的数据。因子波动率模型并不是具有弱的截面依赖性的数据的最佳选择。在因子化的过程中会丢失太多的信息。
 

这篇文章，我们让主成分遵循 GARCH 过程。代数相当简单。

(1) 

(2) 

 是一个对角矩阵，维数为选定的因子数。将此矩阵设置为对角线意味着主成分之间的协方差为零（所有非对角线元素都为零）。因此它们是正交的。当然，通过构造，主成分只是无条件正交的，但我们添加了约束\假设它们在每个时间点也是正交的。这确保  是一个有效的协方差矩阵。

的对角线 填充了因子的方差。这里我们使用阈值-GARCH 模型。

让我们实践。我们使用股票数据。前两个追踪短期和长期的债券收益，后两个追踪股票指数。每日收益矩阵 ret。

下面的代码分为两部分。首先，我们基于单个因子的阈值 GARCH 模型构建了我们自己的双因子正交 GARCH 模型。有几种不同的方法来估计参数（非线性最小二乘法、最大似然法和矩量法）。

1.  
   #--------------
2.  
   # 第一部分，自己的双因子正交 GARCH 模型
3.  
   #--------------------
4.  
    
5.  
   library(rugarch) # 单变量GARCH模型
6.  
   # 我使用1000个观察的初始窗口，每增加一个时间点就重新估计模型的参数
7.  
   wd <- 1000 #初始窗口
8.  
   k <- 2 #因素的数量
9.  
   Uvofit <- matrix # 用一个矩阵来保存三种资产的波动率
10.  
     
11.  
    for(i in wd:T){
12.  
    pc1 <- promp # 主成分分解
13.  
    for (j in 1:k){ # 对于每个因素，这里有相同的Garch过程（但可以是不同的）。
14.  
    gjel = ugarchfit
15.  
    }
16.  
    # 不使用内置的 prcomp 函数获得 w。
17.  
    w <- matrix(eivales, nrow = l, ncol = k, byrow = F) * (eigos)
18.  
    # 存储每个时间点上的协方差矩阵。
19.  
    for(i in 1:TT){
20.  
    # 这是Gamma D_t gamma'。
21.  
    otch[i,,] <- w %*% as.matrix) %*% t(w)
22.  
    }
23.  
     
24.  
    # 第二部分。使用广义正交GARCH（GO-GARCH）模型
25.  
    #--------------
26.  
     
27.  
    garchestby = "mm"
28.  
    summary
29.  
     
30.  
    # 让我们从这个模型中获得协方差
31.  
    mH <- array
32.  
    for(i in 1:TT){
33.  
    yH[i,,] <- faf@H[[i]] 。
34.  
    }
35.  
    # 绘制这两张图。因为我们用1000作为初始窗口，所以只画最近的观察值
36.  
    # 改变k来表示最近的观测值。
37.  
    k <- TT - wd
38.  
    teme <- tail(time,k) # 定义时间
39.  
    # 用来绘制相关图的函数
40.  
    plot(teime
41.  
    abline
42.  
    lines(tetime
43.  
    # 让我们来看看所产生的相关关系。

 

我们看到的是对应于 6 个相关序列（SPY 与 TLT、SPY 与 QQQ 等）。我们自己的估计模型和使用包构建的模型之间几乎没有区别。但我们自己的只使用了 2 个因子，一个差分 GARCH 模型，估计的是窗口而不是整个样本，以及不同的估计方法。我怀疑真实的相关性是否像底部面板中估计的那样稳定。

* 我们在这里混合了代数、概率和几何的术语。正交是一个来自几何学的术语，它是指两个向量之间的角度。如果它们是垂直的，就被称为正交。 代数上，如果它们的内积会发生这种情况  为零。在概率上，回到协方差矩阵，COV(x,y)=E(XY)-E(X)E(Y)，但因为因子的平均值为零。COV(x,y)=E(XY)。所以E(XY)=0意味着因子是正交的。本质上，正交性意味着线性独立。 

---

 

最受欢迎的见解

1.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略

2.R语言改进的股票配对交易策略分析SPY—TLT组合和中国股市投资组合

3.R语言时间序列：ARIMA GARCH模型的交易策略在外汇市场预测应用

4.TMA三均线期指高频交易策略的R语言实现

5.r语言多均线量化策略回测比较

6.用R语言实现神经网络预测股票实例

7.r语言预测波动率的实现：ARCH模型与HAR-RV模型

8.R语言如何做马尔科夫转换模型markov switching model

9.matlab使用Copula仿真优化市场风险