R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列

风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量,也被投资组合经理等从业者用来解释未来市场风险。

由Kaizong Ye,Sherry Deng撰写

VaR 可以定义为资产在给定时间段内以概率 θ 超过的市场价值损失。

VaR(Value at Risk)是一个在金融风险管理中广泛使用的概念,它衡量了在一定的置信水平下,某一金融资产或证券组合在未来特定的一段时间内的最大可能损失。

对于给定的置信水平θ,VaR可以被定义为资产在特定时间段内以概率θ可能遭受的最大损失。换句话说,VaR是资产价值下跌的阈值,使得资产价值低于这个阈值的概率不超过(1-θ)。

对于收益率rt的时间序列,VaRt(即在时间t的VaR)可以定义为:在给定时间段内(例如一天、一周或一年),以概率θ,投资组合或资产的收益率可能下跌超过的阈值。

对于收益率 rt 的时间序列,VaRt将是这样的

其中 It-1表示时间 t-1 的信息集。

风险价值 (VaR)

  • 尽管 VaR 在提供资产组合下行风险的简单总结时具有吸引人的简单性,但没有单一的计算方法。

1% 风险价值

  • 将价格转换为收益

library(ggplot2)
# 计算收益率的正态密度

# 价格与收益的关系

bp2 = Close
# 转换收益率

bret = dailyReturn
# 改变列名
colnames(data_rd) = c("x", "y")
# 正态分位数
vr1 = quantile
 ggplot(data, aes(x = x, y = y))

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

探索见解

去bilibili观看

探索更多视频

图 :1% VaR

  • 在分布术语中,对于分布 F,VaR 可以定义为它的第 p 个分位数,由下式给出

其中 F−1是分布函数的倒数,也称为分位数函数。因此,一旦可以定义收益序列的分布,VaR 就很容易计算。

使用 GARCH 进行波动率建模和预测

  • 广义自回归条件异方差 (GARCH) 模型 ,用于预测条件波动率的最流行的时间序列模型。
  • 这些模型是条件异方差的,因为它们考虑了时间序列中的条件方差。GARCH 模型是在金融风险建模和管理中用于预测 VaR 和条件 VaR 等金融风险度量的最广泛使用的模型之一。
  • GARCH 模型是 ARCH 模型的广义版本。具有旨在捕获波动率聚类的 p 滞后项的标准 ARCH(p) 过程可以编写如下

其中,第 t 天的收益为 Yt=σtZt和 Zt∼iid(0,1),即收益的创新是由随机冲击驱动的

  • GARCH(p,q) 模型在 ARCH(p) 模型中包含滞后波动率,以纳入历史收益的影响
  • GARCH(1,1) 每个阶数只使用一个滞后,是实证研究和分析中最常用的版本。

 GARCH(1,1) 预测 VaR

  • 其中最通用和最有能力的一种是 rugarch 包。在这里,我们使用数据集来演示使用 rugarch 包中可用的函数和方法对 GARCH 进行建模。
  • 具有恒定均值方程的 GARCH(1,1) 模型 可以指定如下:

R语言基于ARMA-GARCH-VaR模型拟合和预测实证研究分析案例

阅读文章


ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1,
    1)), mean.model = list(armaOrder = c(0, 0)))
  • 上面存储的规范 garch_spec 现在可用于将 GARCH(1,1) 模型拟合到我们的数据。以下代码使用该函数将 GARCH(1,1) 模型拟合到 BHP 对数收益并显示结果。

自适应网页宽度的 Bilibili 视频

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


随时关注您喜欢的主题


  • 使用对象类可用的各种方法获得选定的拟合统计量
par1 = par() #保存图形参数

#使用哪个参数生成图形 图12 1. ACF的
# 标准化残差
plot(figarch, which = 10)
# 2. 条件SD 
plot(fiarch, which = 3)

图 :GARCH(1,1) 的两个信息图

使用样本外的 VaR 预测 

  • 让我们使用 Student-t 分布,因为收益并不总是遵循正态分布
# 学生-T分布的spec2
spc2 = ugarchspec
  • rugarch 包对于估计移动窗口模型和预测 VaR 具有非常有用的功能。
garchroll(spec2, data = bpret

# 注意绘图方法提供了四张图,其中VaR为选项-4
# 预测1%的学生-t GARCH风险值
plot(v.t, which = 4, VRaha = 0.01)
# 5%学生-t GARCH风险值
plot(var.t, which = 4, Vaalha = 0.05)

我们可以使用以下例程绘制 1% 和 5% VaR 预测与实际收益的对比。

图:实际收益率与 1% VaR 预测

  • 最后获得回测
# VaR预测的回测

report(va., VaRha = 0.05)  #α的默认值是0.01


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。在此对他对本文所作的贡献表示诚挚感谢,他在上海财经大学完成了统计学专业的硕士学位,专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498

关注有关新文章的微信公众号


永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds