最近我们被要求撰写关于金融时间序列的arma-garch-copula的研究报告。
从读取的数据中获得各种模型描述，包括一些图形和统计输出。
可下载资源
首先我们读取数据
> oil = read.xlsx（temp，sheetName ="DATA"，dec ="，"）
> oil = read.xlsx（"D：\\ oil.xls"，sheetName ="DATA"）Copula函数
Copula函数可以分为椭圆族Copula和阿基米德族Copula。椭圆族Copula包括正态Copula函数以及t-Copula函数。椭圆Copula适合描述具有对称相依结构的数据，但是在金融领域，许多金融数据表现出非对称、非线性相关的特点。Genest和Mackay (1986)提出的阿基米德Copula函数可以有效的捕捉多元分布中的非对称非线性相依结构。阿基米德Copula函数包括Frank Copula、Gumbel Copula以及Clayton Copula。Frank Copula函数具有对称性，它无法捕捉到随机变量间的非对称相关；Gumbel Copula对变量在分布上尾部的变化十分敏感，能够快速捕捉到上尾相关的变化，但对在下尾部的变化不敏感；Clayton Copula对变量在分布下尾部的变化十分敏感，能够快速捕捉到下尾相关的变化。
计算得到对数收益率后，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，这里将考虑不同的序列，作为不同模型的残差获得。我们还可以将这些残差标准化。
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））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”）
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
隐含相关性
> 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] *
...
+}
多变量GARCH，即BEKK（1,1）模型，例如使用：
> 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。单变量边缘分布是
边缘密度的轮廓（使用双变量核估计器获得）
将copula密度可视化
> 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 de Student”，ticktype =“detailed”，zlim = zl）
+}
可以考虑这个函数，
计算三个序列的的经验版本，并将其与一些参数版本进行比较
>
> lambda = function（C）{
+ 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”）
随时关注您喜欢的主题
但人们可能想知道相关性是否随时间稳定。
> 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”）
斯皮尔曼时变排名相关系数
或肯德尔系数
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
获得一些预测， 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）
Python生成对抗神经网络GAN预测股票及LSTMs、ARIMA对比分析ETF金融时间序列可视化
Python、R循环神经网络RNN、指数平滑ETS、ARIMA模型预测网络流量、ATM机取款、旅游需求时间序列数据
Python用CEEMDAN-LSTM-VMD金融股价数据预测及SVR、AR、HAR对比可视化
Python注意力机制Attention下CNN-LSTM-ARIMA混合模型预测中国银行股票价格|附数据代码
