原文 http://tecdat.cn/?p=3385
最近我被要求撰写关于金融时间序列的copulas的调查。不幸的是，该文件目前是法文版，可在https://hal.archives-ouvertes.fr/上找到。从读取数据中获得各种模型的描述，包括一些图形和统计输出。
> temp < - tempfile（）
> download.file（
+“http://freakonometrics.free.fr/oil.xls",temp）
> oil = read.xlsx（temp，sheetName =“DATA”，dec =“，”）
> oil = read.xlsx（“D：\ home \ acharpen \ mes documents \ oil.xls”，sheetName =“DATA”）
然后我们可以绘制这三个时间序列
1 1997-01-10 2.73672 2.25465 3.3673 1.5400
2 1997-01-17 -3.40326 -6.01433 -3.8249 -4.1076
3 1997-01-24 -4.09531 -1.43076 -6.6375 -4.6166
4 1997-01-31 -0.65789 0.34873 0.7326 -1.5122
5 1997-02-07 -3.14293 -1.97765 -0.7326 -1.8798
6 1997-02-14 -5.60321 -7.84534 -7.6372 -11.0549
这个想法是在这里使用一些多变量ARMA-GARCH过程。这里的启发式是第一部分用于模拟时间序列平均值的动态，第二部分用于模拟时间序列方差的动态。本文考虑了两种模型
- 关于ARMA模型残差的多变量GARCH过程（或方差矩阵动力学模型）
- 关于ARMA-GARCH过程残差的多变量模型（基于copula）
因此，这里将考虑不同的系列，作为不同模型的残差获得。我们还可以将这些残差标准化。来自ARMA模型
> fit1 = arima（x = dat [，1]，order = c（2,0,1））
> fit2 = arima（x = dat [，2]，order = c（1,0,1））
> fit3 = arima（x = dat [，3]，order = c（1,0,1））
> m < - apply（dat_arma，2，mean）
> v < - apply（dat_arma，2，var）
> dat_arma_std < - t（（t（dat_arma）-m）/ sqrt（v））
或者来自ARMA-GARCH模型
> fit1 = garchFit（formula = ~arma（2,1）+ garch（1,1），data = dat [，1]，cond.dist =“std”）
> fit2 = garchFit（formula = ~arma（1,1）+ garch（1,1），data = dat [，2]，cond.dist =“std”）
> fit3 = garchFit（formula = ~arma（1,1）+ garch（1,1），data = dat [，3]，cond.dist =“std”）
> m_res < - apply（dat_res，2，mean）
> v_res < - apply（dat_res，2，var）
> dat_res_std = cbind（（dat_res [，1] -m_res [1]）/ sqrt（v_res [1]），（dat_res [，2] -m_res [2]）/ sqrt（v_res [2]），（dat_res [ ，3] -m_res [3]）/ SQRT（v_res [3]））
多变量GARCH模型
可以考虑的第一个模型是协方差矩阵的多变量EWMA，
> ewma = EWMAvol（dat_res_std，lambda = 0.96）
要想象波动性，请使用
> emwa_series_vol = function（i = 1）{
+ lines（Time，dat_arma [，i] + 40，col =“gray”）
+ j = 1
+ if（i == 2）j = 5
+ if（i == 3）j = 9
隐含的相关性在这里
> emwa_series_cor = function（i = 1，j = 2）{
+ if（（min（i，j）== 1）＆（max（i，j）== 2））{
+ a = 1; B = 9; AB = 3}
+ r = ewma $ Sigma.t [，ab] / sqrt（ewma $ Sigma.t [，a] *
+ ewma $ Sigma.t [，b]）
+ plot（Time，r，type =“l”，ylim = c（0,1））
+}
也可能有一些多变量GARCH，即BEKK（1,1）模型，例如使用：
> bekk = BEKK11（dat_arma）
> bekk_series_vol function（i = 1）{
+ plot（Time， $ Sigma.t [，1]，type =“l”，
+ ylab = （dat）[i]，col =“white”，ylim = c（0,80））
+ lines（Time，dat_arma [，i] + 40，col =“gray”）
+ j = 1
+ if（i == 2）j = 5
+ if（i == 3）j = 9
> bekk_series_cor = function（i = 1，j = 2）{
+ a = 1; B = 5; AB = 2}
+ a = 1; B = 9; AB = 3}
+ a = 5; B = 9; AB = 6}
+ r = bk $ Sigma.t [，ab] / sqrt（bk $ Sigma.t [，a] *
+ bk $ Sigma.t [，b]）
从单变量GARCH模型中模拟残差
第一步可能是考虑残差的一些静态（联合）分布。单变量边际分布是
而关节密度的轮廓（使用双变量核估计器获得）是
也可以将copula密度可视化（顶部有一些非参数估计，下面是参数copula）
> copula_NP = function（i = 1，j = 2）{
+ n = nrow（uv）
+ s = 0.3
+ norm.cop < - normalCopula（0.5）
+ norm.cop < - normalCopula（fitCopula（norm.cop，uv）@estimate）
+ dc = function（x，y）dCopula（cbind（x，y），norm.cop）
+ ylab = names（dat）[j]，zlab =“copule Gaussienne”，ticktype =“detailed”，zlim = zl）
+
+ t.cop < - tCopula（0.5，df = 3）
+ t.cop < - tCopula（t.fit [1]，df = t.fit [2]）
+ ylab = names（dat）[j]，zlab =“copule de Student”，ticktype =“detailed”，zlim = zl）
+}
可以考虑这个
功能，
计算三对系列的经验版本，并将其与一些参数版本进行比较，
>
> lambda = function（C）{
+ l = function（u）pcopula（C，cbind（u，u））/ u
+ v = Vectorize（l）（u）
+ return（c（v，rev（v）））
+}
>
> graph_lambda = function（i，j）{
+ X = dat_res
+ U = rank（X [，i]）/（nrow（X）+1）
+ V = rank（X [，j]）/（nrow（X）+1）
+ normal.cop < - normalCopula（.5，dim = 2）
+ t.cop < - tCopula（.5，dim = 2，df = 3）
+ fit1 = fitCopula（normal.cop，cbind（U，V），method =“ml”）
d（U，V），method =“ml”）
+ C1 = normalCopula（fit1 @ copula @ parameters，dim = 2）
+ C2 = tCopula（fit2 @ copula @ parameters [1]，dim = 2，df = trunc（fit2 @ copula @ parameters [2]））
+
但人们可能想知道相关性是否随时间稳定。E：
> time_varying_correl_2 = function（i = 1，j = 2，
+ nom_arg =“Pearson”）{
+ uv = dat_arma [，c（i，j）]
nom_arg））[1,2]
+}
> time_varying_correl_2（1,2）
> time_varying_correl_2（1,2，“spearman”）
> time_varying_correl_2（1,2，“kendall”）
斯皮尔曼 相关
或肯德尔 随着时间的推移
为了模型的相关性，考虑DCC模型（S）
> m2 = dccFit（dat_res_std）
> m3 = dccFit（dat_res_std，type =“Engle”）
> R2 = m2 $ rho.t
> R3 = m3 $ rho.t
要获得一些预测，请使用例如
> garch11.spec = ugarchspec（mean.model = list（armaOrder = c（2,1）），variance.model = list（garchOrder = c（1,1），model =“GARCH”））
> dcc.garch11.spec = dccspec（uspec = multispec（replicate（3，garch11.spec）），dccOrder = c（1,1），
distribution =“mvnorm”）
> dcc.fit = dccfit（dcc.garch11.spec，data = dat）
> fcst = dccforecast（dcc.fit，n.ahead = 200）
