在投资组合管理、风险管理和衍生品定价中，波动性起着重要作用。
事实上如此重要，以至于您可以找到比您可以处理的更多的波动率模型。
接下来是检查每个模型在样本内外的表现如何。以下是您可以做的三件事：
可下载资源
1. 基于回归的检验——Mincer Zarnowitz 回归
这个想法很简单，回归预测的实际（实现）值：
![[\sigma_{t+1} = \beta_0+ \beta_1 \widehat{\sigma}_{t+1}]](https://img-blog.csdnimg.cn/img_convert/08bcd7560f6b467d353e434f7586889e.png "[\sigma_{t+1} = \beta_0+ \beta_1 \widehat{\sigma}_{t+1}]")
现在我们共同检验假设：
![[\beta_0 = 0 , \beta_1 = 1]](https://img-blog.csdnimg.cn/img_convert/7cc069170626f1bb23f84f55b2ef0d63.png "[\beta_0 = 0 , \beta_1 = 1]")
截距为零意味着你的预测是无偏的。
矛盾的是，如果截距是0.02，这意味着为了使两边相等，我们在预测中平均增加0.02，所以它一直在低估观察值。
斜率应该是1，也就是说，你的预测完全 “解释 “了观察值。
2. 配对比较——Diebold Mariano 检验。
假设您有两个模型，它们产生两组预测。因此，您有两组误差。调用这些误差
![[e_j = \widehat{\sigma}_{model_j} - \sigma_observed , \qquad j = {model_1, model_2}]](https://img-blog.csdnimg.cn/img_convert/fb592731a26e39089cd6ff39515d7c7a.png "[e_j = \widehat{\sigma}_{model_j} - \sigma_observed , \qquad j = {model_1, model_2}]")
在两种方法相同的情况下，这两个向量的差 
平均为零（或这些向量的函数，例如 e1^2 – e2^2）。在仅使用相同方法复制预测的极端情况下，差正好为零。更重要的是，我们知道这种差是如何分布的（渐近地..），因此我们可以测试它是否确实偏离零。
难以理解这一点。如果不知道 2 的结果的可能性有多大，就不可能测量 0 和 2 之间的距离。在 {-3,3} 之间均匀分布的 2 的结果并不像具有标准正态分布的 2 的结果那样不可能。
产生明显更小的误差（通常是平方误差或绝对误差）的方法是首选。您可以轻松地将其扩展到多个比较。
3. Jarque-Bera 检验
在这种情况下，我们有一个准确的波动率预测。我们可以将序列中心化并使用我们对标准差的预测对其进行标准化。准确地说：
![[\frac{original.series_t - mean(original.series)}{\widehat{\sigma_t}}]](https://img-blog.csdnimg.cn/img_convert/2012d4a04bc92f6d139e7a61c8b89a3f.png "[\frac{original.series_t - mean(original.series)}{\widehat{\sigma_t}}]")
应该有均值零和标准差一。新的标准化序列通常不会呈正态分布，但您可以使用此检验来衡量模型获取原始序列的偏度和峰度的程度。
实证研究中，前两个方案对一般的预测评估是有效的，然而，波动率是不可观察的，所以我们用什么作为观察值并不清楚。我们所做的是用一个替代物来代替 “观察到的”，通常是收益率的平方。在这里你可以找到更准确的替代方法，但是，它们是基于日内信息的，所以你需要获得日内数据源。
我们看看在 R 中是如何工作的。
我从谷歌提取数据，采集5年的标准普尔指数收益序列，并估计标准 garch(1,1) 和另一个更准确的 GJR-garch（不对称 garch）。
dat0= as.matrix(getSymbol
n = NROW
plot
gjrc <- ugarchspec
gjrmodel = fitgjrfit = sigma Nit = as.dsigma resq = ret^2 Nsq = Nfit^2 Tsq = Tfit^2 plot
具有两种 Garch 模型的 SPY 波动率
随时关注您喜欢的主题
######################### # mincer-zarnowitz回归 ######################### Nmz = lm Tmz = lm linsis
lineesis
######################### #DM检验 ######################### dmst
对于平方损失函数，两组预测之间没有区别
######################### # Jarque Bera 检验 ######################### stanN = scale stajr = scale scret = scale# 没有波动率模型，只有无条件波动率 jbtest$stat
rjbtestat
rjteststat
可下载资源
关于作者
Kaizong Ye是拓端研究室（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！
R语言混合模型回归GBTM群组轨迹模型绘图可视化研究
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
