全文鏈接：http://tecdat.cn/?p=24182

本文用 R 編程語言極值理論 (EVT) 以確定 10 只股票指數(shù)的風(fēng)險價值（和條件 VaR）（點擊文末“閱讀原文”獲取完整代碼數(shù)據(jù)）。

使用 Anderson-Darling 檢驗對 10 只股票的組合數(shù)據(jù)進行正態(tài)性檢驗，并使用 Block Maxima 和 Peak-Over-Threshold 的 EVT 方法估計 VaR/CvaR。最后，使用條件異向性 (GARCH) 處理的廣義自回歸來預(yù)測未來 20 天后指數(shù)的未來值。本文將確定計算風(fēng)險因素的不同方法對模型結(jié)果的影響。

極值理論（最初由Fisher、Tippett和Gnedenko提出）表明，獨立同分布（iid）變量樣本的分塊最大值的分布會收斂到三個極值分布之一。

最近，統(tǒng)計學(xué)家對極端值建模的興趣又有了新的變化。極限值分析已被證明在各種風(fēng)險因素的案例中很有用。在1999年至2008年的金融市場動蕩之后，極值分析獲得了有效性，與之前的風(fēng)險價值分析不同。極限值代表一個系統(tǒng)的極端波動。極限值分析提供了對極端事件的概率、規(guī)模和保護成本的關(guān)系進行建模的能力。

參考

https://arxiv.org/pdf/1310.3222.pdf
https://www.ma.utexas.edu/mp_arc/c/11/11-33.pdf
http://evt2013.weebly.com/uploads/1/2/6/9/12699923/penalva.pdf
Risk Measurement in Commodities Markets Using Conditional Extreme Value Theory

第 1a 節(jié) - 工作目錄、所需的包和會話信息

為了開始分析，工作目錄被設(shè)置為包含股票行情的文件夾。然后，安裝所需的 R 編程語言包并包含在包庫中。R 包包括極值理論函數(shù)、VaR 函數(shù)、時間序列分析、定量交易分析、回歸分析、繪圖和 html 格式的包。

library(ggplot2) library(tseries) library(vars) library(evd) library(POT) library(rugarch)

第 1b 節(jié) - 格式化專有數(shù)據(jù)

用于此分析的第一個文件是“Data_CSV.csv”。該文件包含在 DAX 證券交易所上市的 15 家公司的股票代碼數(shù)據(jù)，以及 DAX 交易所的市場投資組合數(shù)據(jù)。從這個數(shù)據(jù)文件中選出了 10 家公司，這些公司最近十年的股價信息是從谷歌財經(jīng)下載的。

第 1c 節(jié) - 下載股票代碼數(shù)據(jù)

股票價格數(shù)據(jù)下載并讀入 R 編程環(huán)境。收益率是用“開盤價/收盤價 ”計算的，十家公司的數(shù)據(jù)合并在一個數(shù)據(jù)框中，（每家公司一列）。

結(jié)果數(shù)據(jù)幀的每一行代表記錄股價的 10 年中的一個工作日。然后計算數(shù)據(jù)幀中每一行的均值。一列 10 年的日期被附加到數(shù)據(jù)框。還創(chuàng)建了僅包含行均值和日期信息的第二個數(shù)據(jù)框。

alDat?<-?cbind(retursDaa,?returnDta_A, ?????????????????retrnsata_Ss,?reunsataDB, ?????????????????retunsDta\_H,?reurnsDta\_S,?rtunsDaaA, ?????????????????retrnsaa_senus,reursDtaAlnz, ?????????????????reurnsData_ailer)

第 2a 節(jié) - 探索性數(shù)據(jù)分析

創(chuàng)建一個數(shù)據(jù)框統(tǒng)計表，其中包含每列（或公司）的最小值、中值、平均值、最大值、標(biāo)準偏差、1% 分位數(shù)、5% 分位數(shù)、95% 分位數(shù)、99% 分位數(shù)。分位數(shù)百分比適用于極值。還創(chuàng)建了所有收益率均值的時間序列圖表。

??taeSs<-?c(min(x),?medan(x),?man(x), ????????????????????max(x),?sd(x),?quntile(x,?.01), ????????????????????quanile(x,?.05),?qunile(x,?.95), ????????????????????quatile(x,?.99),?lngth(x))

第 2b 節(jié) - 10 只股票指數(shù)的 VaR 估計

all_va.2?<-?VAR(lDvarts,?p?=?2,?tpe=?"cnst") #?預(yù)測未來125天、250天和500天 aDFva100?<-?pdc(alDva.c,?n.aea?=?100,?ci?=?0.9)

為了開始估算數(shù)據(jù)所隱含的未來事件，我們進行了初步的風(fēng)險值估算。首先，所有行的平均值和日期信息的數(shù)據(jù)框架被轉(zhuǎn)換為時間序列格式，然后從這個時間序列中計算出風(fēng)險值。根據(jù)VaR計算對未來100天和500天的價值進行預(yù)測。在隨后的預(yù)測圖中，藍色圓圈代表未來100天的數(shù)值，紅色圓圈代表500天的回報值。

plot（ap0$t$Tme\[1:1200\], ?????alF_ar.d.$fst\[1:1200\]）

第 2c 節(jié) - 估計期望_shortfall_(ES),條件VAR_(_CvaR_)_?10 股票指數(shù)

為便于比較，計算了10只股票指數(shù)數(shù)據(jù)的條件風(fēng)險值（CvaR或估計虧損）。首先，利用數(shù)據(jù)的時間序列，找到最差的0.95%的跌幅的最大值。然后，通過 "高斯 "方法計算出估計虧損，這兩種計算的結(jié)果都以表格形式呈現(xiàn)。

ES(s(lD1:2528,?2,?rp=FAE\]),p=0.95,?mho="gausn")

第 2d 節(jié) - 10 只股票指數(shù)的希爾Hill估計

由于假設(shè)10股指數(shù)數(shù)據(jù)為重尾分布，數(shù)據(jù)極少變化，所以采用Hill Estimation對尾指數(shù)進行參數(shù)估計。目的是驗證 10 只股票數(shù)據(jù)是否為極值分布。Hill Estimation 生成的圖證實了。

hil(orvtis,?otio="x",?trt=15,?nd=45)

點擊標(biāo)題查閱往期內(nèi)容

R語言POT超閾值模型和極值理論EVT分析

轉(zhuǎn)存失敗重新上傳取消

左右滑動查看更多

轉(zhuǎn)存失敗重新上傳取消

01

02

03

04

第 2e 節(jié) - 正態(tài)分布的 Anderson-Darling 檢驗

Anderson-Darling 檢驗主要用于分布族，是分布非正態(tài)性的決定因素。在樣本量較大的情況下（如在 10 股指數(shù)中），小于 0.05 的 P 值表明分布與正態(tài)性不同。這是極值分布的預(yù)期。使用 Anderson-Darling 檢驗發(fā)現(xiàn)的概率值為 3.7^-24，因此證實了非正態(tài)性。

第 2f 節(jié) - 結(jié)果表

最后，給出了10個股票指數(shù)未來價值的估計結(jié)果表。3 個 VaR 估計值（和估計差額）的點估計值和范圍被制成表格以比較。

VaRES\[3,\]?<-?c("ES",?etFbl\[1\],?4) ????????????????????????eSFbe\[2\],?estFtbl\[3\], ????????????????????????rond(eSab\[4\],?4))

第 3a 節(jié) - 10 個股票指數(shù)的 EVT 分塊最大值估計

極值理論中的 Block Maxima 方法是 EVT 分析的最基本方法。Block Maxima 包括將觀察期劃分為相同大小的不重疊的時期，并將注意力限制在每個時期的最大觀察值上。創(chuàng)建的觀察遵循吸引條件的域，近似于極值分布。然后將極值分布的參數(shù)統(tǒng)計方法應(yīng)用于這些觀察。

極值理論家開發(fā)了廣義極值分布。GEV 包含一系列連續(xù)概率分布，即 Gumbel、Frechet 和 Weibull 分布（也稱為 I、II 和 III 型極值分布）。

在以下 EVT Block Maxima 分析中，10 股指數(shù)數(shù)據(jù)擬合 GEV。繪制得到的分布。創(chuàng)建時間序列圖以定位時間軸上的極端事件，從 2006 年到 2016 年。然后創(chuàng)建四個按 Block Maxima 數(shù)據(jù)順序排列的圖。最后，根據(jù) gev() 函數(shù)創(chuàng)建 Block Maxima 分析參數(shù)表。

gev(ltMeans,?x=0.8,?m=0) plt(alVF)

第 3b 節(jié) - 分塊最大值的 VaR 預(yù)測

為了從 Block Maxima 數(shù)據(jù)中創(chuàng)建風(fēng)險價值 (VaR) 估計，將 10 股指數(shù) GEV 數(shù)據(jù)轉(zhuǎn)換為時間序列。VaR 估計是根據(jù) GEV 時間序列數(shù)據(jù)進行的。未來值的預(yù)測（未來 100 天和 500 天）是從 VaR 數(shù)據(jù)推斷出來的。在結(jié)果圖中，藍色圓圈表示未來 100 天的值，紅色圓圈表示 500 天的收益率值。

#?預(yù)測未來500天 aGE500<-?preit(aG_va.c,?n.ad?=?500,?ci?=?0.9) plot(aGE500pd.500)

第 3c 節(jié)?- 分塊最大值的期望損失ES (CvaR)

10只股票指數(shù)GEV數(shù)據(jù)的條件風(fēng)險值（"CvaR "或 "期望損失"）被計算。首先，利用數(shù)據(jù)的時間序列，找到最差的0.95%的縮水的最大值。然后，通過極端分布的 "修正 "方法來計算 "估計虧損"，這兩種計算的結(jié)果都以表格形式呈現(xiàn)。

#?條件縮減是最差的0.95%縮減的平均值 ddGV?<-?xdrow(aEVts\[,2\]) #?CvaR（預(yù)期虧損）估計值 CvaR(ts(alE),?p=0.95,?meho="miie")

第 3d 節(jié) - 分塊極大值的 Hill 估計

希爾估計（用于尾部指數(shù)的參數(shù)估計）驗證 10 只股票的 GEV 數(shù)據(jù)是極值分布。

第 3e 節(jié) - 正態(tài)分布的 Anderson-Darling 檢驗

Anderson-Darling 檢驗是確定大樣本數(shù)量分布的非正態(tài)性的有力決定因素。如果 P 值小于 0.05，則分布與正態(tài)性不同。通過該測試發(fā)現(xiàn)了一個微小的概率值 3.7^-24。

第 3f 節(jié) - 結(jié)果表

最后，給出了對 10 股指數(shù) GEV 未來價值的估計結(jié)果表。3 個 GEV VaR 估計值（和 GEV 期望損失）的點估計值和范圍制成表格比較。

G_t\[3,\]?<-?c("GEV?ES",sFale\[1\], ?????????????????????sStble\[2\],?SEble\[3\], ?????????????????????"NA") GRst

第 3g 節(jié) - 分塊極大值的 100 天 GARCH 預(yù)測

通過將 Block Maxima GEV 分布（10 只股票的指數(shù)）擬合到 GARCH(1,1)（廣義自回歸條件異型）模型，對 Block Maxima EVT 數(shù)據(jù)進行預(yù)測。顯示預(yù)測公式參數(shù)表。創(chuàng)建一個“自相關(guān)函數(shù)”(ACF) 圖，顯示隨時間變化的重要事件。然后，顯示擬合模型結(jié)果的一組圖。創(chuàng)建對未來 20 天（股票指數(shù)表現(xiàn)）的預(yù)測。最后，20 天的預(yù)測顯示在 2 個圖中。

spec(aanc.ol?=?list(mel?=?'eGARCH', ????????????????????????????????????????garer=?c(1,?1)), ??????????????????dirion?=?'sd') #?用廣義自回歸條件異質(zhì)性擬合模型 alimol?=?ugct(pec,allV,?sovr?=?'ybi') cofale?<-?dtafe(cof(litol)) oeBal plt(l.itodl)

第 4a 節(jié) - 峰值超過閾值估計 - 10 個股票指數(shù)

在 EVT 中的峰值超過閾值方法中，選擇超過某個高閾值的初始觀測值。這些選定觀測值的概率分布近似為廣義帕累托分布。通過擬合廣義帕累托分布來創(chuàng)建最大似然估計 (mle)。MLE 統(tǒng)計數(shù)據(jù)以表格形式呈現(xiàn)。然后通過 MLE 繪圖以圖形方式診斷所得估計值。

plot(Dseans,?u.rg=c(0.3,?0.35))

第 4b 節(jié) - POT 的 VaR 預(yù)測

POT 數(shù)據(jù)的風(fēng)險價值 (VaR) 估計是通過將 10 個股票指數(shù) MLE 數(shù)據(jù)轉(zhuǎn)換為時間序列來創(chuàng)建的。VaR 估計是根據(jù) MLE 時間序列數(shù)據(jù)進行的。未來值的預(yù)測（未來 100 天和 500 天）是從 MLE VaR 數(shù)據(jù)推斷出來的。在結(jié)果圖中，藍色圓圈表示未來 100 天的值，紅色圓圈表示 500 天的收益值。

VAR(merts,?p?=?2,?tp?=?"cost") #?預(yù)測未來125天、250天和500天 mle_r.pd?<-?prect(e.ar,?n.ahad?=?100,?ci?=?0.9) plot(mea.prd)

第 4c 節(jié)?- POT 的期望損失ES (CvaR) 預(yù)測

然后計算10只股票指數(shù)MLE數(shù)據(jù)的條件風(fēng)險值（"CvaR "或 "期望損失ES"）。數(shù)據(jù)的時間序列被用來尋找最差的0.95%的跌幅的最大值。通過極端分布的 "修正 "方法，計算出 "期望損失ES"，兩種計算的結(jié)果都以表格形式呈現(xiàn)。

#?最差的0.95%最大回撤的平均值 mdM?<-?maxdadw(mlvs\[,2\]) CvaR(ldaa),?p=0.95,?meto="mdii", ???????????????pimeod?=?"comnen",?weghts)

第 4d 節(jié) - 峰值超過閾值的 Hill 估計

Hill 估計（用于尾部指數(shù)的參數(shù)估計）驗證 10 只股票的 MLE 數(shù)據(jù)是一個極值分布。

第 4e 節(jié) - 正態(tài)分布的 Anderson-Darling 檢驗

Anderson-Darling 檢驗是確定大樣本數(shù)量分布的非正態(tài)性的有力決定因素。如果 P 值小于 0.05，則分布與正態(tài)性不同。此測試的結(jié)果 P 值為 3.7^-24。

第 4f 節(jié) - 結(jié)果表

最后，給出了 10 個股票指數(shù) MLE 未來價值的估計結(jié)果表。3 個 MLE VaR 估計值（和 MLE 期望損失ES）的點估計值和范圍被制成表格來比較。

第 4g 節(jié) - 峰值超過閾值的100天 GARCH 預(yù)測

通過將 MLE（10 只股票指數(shù)的最大似然估計）擬合到 GARCH(1,1)（廣義自回歸條件異型性）模型，對峰值超過閾值 EVT 數(shù)據(jù)進行預(yù)測。顯示預(yù)測公式參數(shù)表。創(chuàng)建了一個“自相關(guān)函數(shù)”（ACF）圖，顯示了隨時間變化的重要事件。然后，顯示擬合模型結(jié)果的一組圖。然后創(chuàng)建對接下來 20 天（股票指數(shù)表現(xiàn)）的預(yù)測。最后，20 天的預(yù)測（來自峰值超過閾值 EVT extimation）顯示在 2 個圖中。

fit(ec,ta,?slvr?=?'hybrid') plot(pot.fite.ol)

第 5a 節(jié) - 估計方法影響表

下表匯總了檢驗 極值分布的 10 個股票的四種方法的結(jié)果。第一列包含四種估計方法的名稱。提供了 VaR、ES、mu統(tǒng)計量和 Anderson-Darling P 值的統(tǒng)計量。

c("VaR", ?????????????????????round(mean(cofets),4), ?????????????????????"NA",?"NA",?p.vau) c("Block?Maxm",?round(mean(coffies),4), ?????????????????????MES,?pr.ss\[3\],.vle) c("POT",? ?????????????????????round(mean(cofies),?4), ?????????????????????MES,?fitdaes,?p.ale)

第 5b 節(jié) - 結(jié)論

在對10家公司（在證券交易所上市）10年的股票收益率進行檢查后，證實了將收益率變化定性為極值分布的有效性。對四種分析方法的擬合值進行的所有安德森-達林測試顯示，分布具有正態(tài)性或所有非極值的概率不大。這些方法在收益數(shù)據(jù)的風(fēng)險值方面是一致的。分塊最大值方法產(chǎn)生了一個風(fēng)險值估計的偏差。傳統(tǒng)的VaR估計和POT估計產(chǎn)生相同的風(fēng)險值。相對于傳統(tǒng)的股票收益率數(shù)據(jù)的CvaR估計，兩種EVT方法預(yù)測的期望損失較低。標(biāo)準Q-Q圖表明，在10只股票的指數(shù)中，Peaks-Over-Threshold是最可靠的估計方法。

本文摘選《R語言極值理論 EVT、POT超閾值、GARCH 模型分析股票指數(shù)VaR、條件CVaR：多元化投資組合預(yù)測風(fēng)險測度分析》，點擊“閱讀原文”獲取全文完整資料。

點擊標(biāo)題查閱往期內(nèi)容

Garch波動率預(yù)測的區(qū)制轉(zhuǎn)移交易策略

金融時間序列模型ARIMA 和GARCH 在股票市場預(yù)測應(yīng)用

時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格

R語言風(fēng)險價值：ARIMA，GARCH，Delta-normal法滾動估計VaR（Value at Risk）和回測分析股票數(shù)據(jù)

R語言GARCH建模常用軟件包比較、擬合標(biāo)準普爾SP 500指數(shù)波動率時間序列和預(yù)測可視化

Python金融時間序列模型ARIMA 和GARCH 在股票市場預(yù)測應(yīng)用

MATLAB用GARCH模型對股票市場收益率時間序列波動的擬合與預(yù)測

R語言GARCH-DCC模型和DCC（MVT）建模估計

Python 用ARIMA、GARCH模型預(yù)測分析股票市場收益率時間序列

R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格

R語言ARIMA-GARCH波動率模型預(yù)測股票市場蘋果公司日收益率時間序列

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進行股價預(yù)測

R語言時間序列GARCH模型分析股市波動率

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

matlab實現(xiàn)MCMC的馬爾可夫轉(zhuǎn)換ARMA - GARCH模型估計

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進行股價預(yù)測

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

R語言用多元ARMA,GARCH ,EWMA, ETS,隨機波動率SV模型對金融時間序列數(shù)據(jù)建模

R語言股票市場指數(shù)：ARMA-GARCH模型和對數(shù)收益率數(shù)據(jù)探索性分析

R語言多元Copula GARCH 模型時間序列預(yù)測

R語言使用多元AR-GARCH模型衡量市場風(fēng)險

R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格

R語言用Garch模型和回歸模型對股票價格分析

GARCH（1,1），MA以及歷史模擬法的VaR比較

matlab估計arma garch 條件均值和方差模型

R語言POT超閾值模型和極值理論EVT分析

R語言極值推斷：廣義帕累托分布GPD使用極大似然估計、輪廓似然估計、Delta法

R語言極值理論EVT：基于GPD模型的火災(zāi)損失分布分析

R語言有極值（EVT）依賴結(jié)構(gòu)的馬爾可夫鏈(MC)對洪水極值分析

R語言POT超閾值模型和極值理論EVT分析

R語言混合正態(tài)分布極大似然估計和EM算法

R語言多項式線性模型：最大似然估計二次曲線

R語言Wald檢驗 vs 似然比檢驗

R語言GARCH-DCC模型和DCC（MVT）建模估計

R語言非參數(shù)方法：使用核回歸平滑估計和K-NN(K近鄰算法)分類預(yù)測心臟病數(shù)據(jù)

matlab實現(xiàn)MCMC的馬爾可夫轉(zhuǎn)換ARMA - GARCH模型估計

R語言基于Bootstrap的線性回歸預(yù)測置信區(qū)間估計方法

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

Matlab馬爾可夫鏈蒙特卡羅法（MCMC）估計隨機波動率（SV，Stochastic Volatility） 模型

Matlab馬爾可夫區(qū)制轉(zhuǎn)換動態(tài)回歸模型估計GDP增長率

R語言極值推斷：廣義帕累托分布GPD使用極大似然估計、輪廓似然估計、Delta法