---

可下载资源

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。

##安装读取软件包
  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])

histPlot(SMI, main = "SMI Returns")

---

视频

时间序列分析模型 ARIMA-ARCH GARCH模型分析股票价格数据

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

模型估计

SMI收益的数据有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")