原文鏈接：http://tecdat.cn/?p=18310?

原文出處：拓端數(shù)據(jù)部落公眾號

?

為了找出影響價格波動的主要因素，我們使用逐步回歸法來剔除一些對于應(yīng)變量即價格影響很小的自變量剔除出我們的模型，我們分別把WTI Price Field 等自變量的名稱改為x1，x2……，最后的突發(fā)事件需要用到啞變量，啞變量只需要2個即可，我們將其作為X49，X50，X51,三個參數(shù)并將它們的值”正影響”、”無影響”、”負(fù)影響”分別改為-1,0,1。

經(jīng)過R語言處理以后我們得到模型：

Y~x1 + x2 + x4 + x5 + x7 + x13 + x14 + x15 + x16 + x17 + x18 + x20 + x21 + x23 + x34 + x25 + x26 + x29 + x30 + x33 + x35 + x36 + x37 + x39 + x40 + x42 + x44 + x46 + x47 + x48 + x49 + x50

由此可得，影響較小的已經(jīng)被剔除了。

Garch模型預(yù)測波動性

我們通過使用Garch模型來預(yù)測波動性，

先檢驗數(shù)據(jù)正態(tài)性，可以計算得出數(shù)據(jù)分布函數(shù)，QQ圖，對數(shù)收益率序列折線圖

1. > shapiro.test(rlogdiffdata)

2. 


3. Shapiro-Wilk normality test

4. 


5. data: ?rlogdiffdata

6. W = 0.94315, p-value = 1.458e-05

由QQ圖以及p值可見，數(shù)據(jù)大致上符合正態(tài)分布。

最后用VaR曲線來進(jìn)行預(yù)警劇烈波動。

紅色的點就是劇烈波動前的預(yù)警點。

強影響點分析?

我們可以通過使用cook統(tǒng)計量來尋找強影響點，因此我們用R語言的influence.measures()函數(shù)來進(jìn)行影響分析。

右側(cè)帶有*號的表示強影響點。

我們通過學(xué)生化殘差來構(gòu)造F檢驗，最終得到t檢驗，以此來檢測異常點。通過

stdres<-rstudent(lm.sol)

來得到學(xué)生化殘差，然后通過公式

來計算Fj，并且最終轉(zhuǎn)化為tj，

t=sqrt((144-51-1)*stdres^2/(144-51-stdres^2))

最后我們可以檢查，如果

則它為異常點。

R語言執(zhí)行

1. res<-t>abs(qt(.025, df=92))

2. 


?可以直接得到大于對應(yīng)t值的布爾值。

?值為True的則可能為異常點。

預(yù)測

我們使用了HoltWinters來進(jìn)行預(yù)測我們的價格區(qū)間

真實值基本都在預(yù)測的范圍內(nèi)，但是想要凈賺預(yù)測還是比較困難的。

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.R語言中基于混合數(shù)據(jù)抽樣(MIDAS)回歸的HAR-RV模型預(yù)測GDP增長

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(jìn)行預(yù)測

5.GARCH（1,1），MA以及歷史模擬法的VaR比較

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.matlab預(yù)測ARMA-GARCH 條件均值和方差模型

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