R語言中使用RCPP并行計算指數(shù)加權(quán)波動率

2021-06-11 21:48 作者:拓端tecdat 0人讀過 | 我要投稿

原文鏈接：http://tecdat.cn/?p=17829

?

指數(shù)加權(quán)波動率是一種波動率的度量，它使最近的觀察結(jié)果有更高權(quán)重。我們將使用以下公式計算指數(shù)加權(quán)波動率：

S [t] ^ 2 = SUM（1-a）* a ^ i *（r [t-1-i]-rhat [t]）^ 2，i = 0…inf

其中rhat [t]是對應(yīng)的指數(shù)加權(quán)平均值

rhat [t] = SUM（1-a）* a ^ i * r [t-1-i]，i = 0…inf

上面的公式取決于每個時間點的完整價格歷史記錄，并花了一些時間進行計算。因此，我想分享Rcpp和RcppParallel如何幫助我們減少計算時間。

我將使用匯率的歷史數(shù)據(jù)集??作為測試數(shù)據(jù)。

首先，我們計算平均滾動波動率

#*****************************************************************
# 計算對數(shù)收益率
#*****************************************************************
ret = diff(log(data$prices))
tic(5)
hist.vol = sqrt(252) * bt.apply.matrix(ret, runSD, n = 200)
toc(5)

經(jīng)過時間為0.17秒

接下來，讓我們編寫指數(shù)加權(quán)代碼邏輯

# 建立 RCPP 函數(shù)計算指數(shù)加權(quán)波動率
load.packages('Rcpp')
sourceCpp(code='
#include <Rcpp.h>
using namespace Rcpp;
using namespace std;
// [[Rcpp::plugins(cpp11)]]
//ema[1] = 0
//ema[t] = (1-a)*r[t-1] + (1-a)*a*ema[t-1]
// [[Rcpp::exp
{
if(!NumericVector::is_na(x[t])) break;
res[t] = NA_REAL;
}
int start_t = t;
-a) * a^i * (r[t-1-i] - rhat[t])^2, i=0 ... inf
// [[Rcpp::export]]
NumericVector run_esd_cpp(NumericVector x, double ratio) {
auto sz = x.siz
// find start index; first non NA item
for(t = 0; t < sz; t++) {
if(!Num
0;
for(t = start_t + 1; t < sz; t++) {
ema = (1-ratio) * ( x[t-1] + ratio * ema);
double sigma = 0;
for(int i = 0; i < (t - start_t); i++) {
sigma += pow(ratio,i) * pow(x[t-1-i] - ema, 2);
}
res[t] = (1-ratio) * sigma;
}
, n, ratio = n/(n+1)) run_ema_cpp(x, ratio)
run.esd = funct

?經(jīng)過時間為106.16秒。

執(zhí)行此代碼花了一段時間。但是，代碼可以并行運行。以下是RcppParallel版本。

# 建立 RCPP 并行函數(shù)計算指數(shù)加權(quán)波動率
load.packages('RcppParallel')
sourceCpp(code='
using namespace Rcpp;
using namespace s
s(cpp11)]]
// [[Rcpp::depends(R
to read from
const RMatrix<double> mat;
// internal variables
const double ratio
t;
// initialize from Rcpp input and output matrixes
run_esd_helper(const Nume
all operator that work for th
in, size_t end) {
for (size_t c1 = begin; c1 < end; c1++) {
int t;
// find start index; fir

經(jīng)過時間為14.65秒

運行時間更短。接下來，讓我們直觀地了解使用指數(shù)加權(quán)波動率的影響

dates = '2007::2010'
layout(1:2)
e='h', col='black', plotX=F)
plota.legend(paste('Dai
s,1],type='l',col='black')

?

不出所料，指數(shù)加權(quán)波動率在最近的觀察結(jié)果中占了更大的比重，是一種更具反應(yīng)性的風(fēng)險度量。

最受歡迎的見解

1.HAR-RV-J與遞歸神經(jīng)網(wǎng)絡(luò)（RNN）混合模型預(yù)測和交易大型股票指數(shù)的高頻波動率

2.WinBUGS對多元隨機波動率模型：貝葉斯估計與模型比較

3.波動率的實現(xiàn)：ARCH模型與HAR-RV模型

4.R語言ARMA-EGARCH模型、集成預(yù)測算法對SPX實際波動率進行預(yù)測

5.使用R語言隨機波動模型SV處理時間序列中的隨機波動率

6.R語言多元COPULA GARCH 模型時間序列預(yù)測

7.R語言基于ARMA-GARCH過程的VAR擬合和預(yù)測

8.R語言隨機搜索變量選擇SSVS估計貝葉斯向量自回歸（BVAR）模型

9.R語言對S＆P500股票指數(shù)進行ARIMA + GARCH交易策略

標(biāo)簽：