Python計(jì)算股票投資組合的風(fēng)險(xiǎn)價(jià)值（VaR）

2021-06-10 13:07 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(dòng)率是一種波動(dòng)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(jì)算指數(shù)加權(quán)波動(dòng)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(duì)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(gè)時(shí)間點(diǎn)的完整價(jià)格歷史記錄，并花了一些時(shí)間進(jìn)行計(jì)算。因此，我想分享Rcpp和RcppParallel如何幫助我們減少計(jì)算時(shí)間。

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

首先，我們計(jì)算平均滾動(dòng)波動(dòng)率

#*****************************************************************
# 計(jì)算對(duì)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(shí)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(jì)算指數(shù)加權(quán)波動(dòng)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(shí)間為106.16秒。

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

# 建立 RCPP 并行函數(shù)計(jì)算指數(shù)加權(quán)波動(dòng)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(shí)間為14.65秒

運(yùn)行時(shí)間更短。接下來，讓我們直觀地了解使用指數(shù)加權(quán)波動(dòng)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(dòng)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(xiǎn)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(cè)和交易大型股票指數(shù)的高頻波動(dòng)率

2.WinBUGS對(duì)多元隨機(jī)波動(dòng)率模型：貝葉斯估計(jì)與模型比較

3.波動(dòng)率的實(shí)現(xiàn)：ARCH模型與HAR-RV模型

4.R語言ARMA-EGARCH模型、集成預(yù)測(cè)算法對(duì)SPX實(shí)際波動(dòng)率進(jìn)行預(yù)測(cè)

5.使用R語言隨機(jī)波動(dòng)模型SV處理時(shí)間序列中的隨機(jī)波動(dòng)率

6.R語言多元COPULA GARCH 模型時(shí)間序列預(yù)測(cè)

7.R語言基于ARMA-GARCH過程的VAR擬合和預(yù)測(cè)

8.R語言隨機(jī)搜索變量選擇SSVS估計(jì)貝葉斯向量自回歸（BVAR）模型

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

標(biāo)簽：