全文鏈接：http://tecdat.cn/?p=31023

最近我們被客戶(hù)要求撰寫(xiě)關(guān)于GARCH族模型的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

如何構(gòu)建合適的模型以恰當(dāng)?shù)姆椒▽?duì)風(fēng)險(xiǎn)進(jìn)行測(cè)量是當(dāng)前金融研究領(lǐng)域的一個(gè)熱門(mén)話(huà)題?（?點(diǎn)擊文末“閱讀原文”獲取完整代碼數(shù)據(jù)********?）。

VaR方法作為當(dāng)前業(yè)內(nèi)比較流行的測(cè)量金融風(fēng)險(xiǎn)的方法,具有簡(jiǎn)潔,明了的特點(diǎn),而且相對(duì)于方差來(lái)講,更多的將投資人的損失作為風(fēng)險(xiǎn)具有更好的合理性。

我們和一位客戶(hù)討論如何在R軟件中處理GARCH族模型。

數(shù)據(jù)的選取

本文選取Wind資訊發(fā)布的股票型券商理財(cái)指數(shù)作為數(shù)據(jù)處理對(duì)象。選取的時(shí)間期間為2011年1月4日至2015年11月24日，共1187個(gè)交易日。該指數(shù)基日為2007年12月31日，基點(diǎn)為1000點(diǎn)。

收益率的計(jì)算

采用對(duì)數(shù)收益率對(duì)指數(shù)收盤(pán)點(diǎn)位進(jìn)行計(jì)算，表達(dá)式為

記為序列 。由圖觀察可知，該收益率序列存在波動(dòng)聚集現(xiàn)象。

clpr<-stock$Clsprcyield<-diff(log(clpr))ts.plot(yield)

基本特征分析

對(duì)序列 進(jìn)行基本統(tǒng)計(jì)分析，結(jié)果如表所示：

?

summary(yield)sd(yield)var(yield)

表?指數(shù)日收益率基本統(tǒng)計(jì)表****

Min.1st Qu.MedianMean3rd Qu.Max.Sdskewness'kurtosis-0.03517-0.003890.00037490.00019630.004730.033480.008163353-0.40184622.169439

?

由表可知，收益率序列 的最小值為-0.03517，最大值為0.03348，平均值為0.0001963，標(biāo)準(zhǔn)差為0.008163353。偏度為-0.4018462，表現(xiàn)為右偏。峰度為2.169439，該分布比正態(tài)分布更陡峭。

1、正態(tài)性檢驗(yàn)

對(duì)指數(shù)的日收益率序列進(jìn)行正態(tài)性檢驗(yàn)。檢驗(yàn)方法采用Jarque-Bera統(tǒng)計(jì)量。檢驗(yàn)結(jié)果顯示Jarque-Bera統(tǒng)計(jì)量為261.3839，P值接近0，拒絕對(duì)數(shù)收益率服從正態(tài)分布的原假設(shè)，表明序列為非正態(tài)分布。

?

表?Jarque-Bera檢驗(yàn)結(jié)果

檢驗(yàn)方法統(tǒng)計(jì)量P值Jarque-Bera261.3839< 2.2e-16

?

為了進(jìn)一步探究序列 的分布形態(tài)，對(duì)樣本數(shù)據(jù)作直方圖、QQ圖。由圖可見(jiàn)，該收益率序列的尾部更長(zhǎng)更厚，且其分布存在明顯的不對(duì)稱(chēng)的現(xiàn)象，為非正態(tài)分布。

2、自相關(guān)性檢驗(yàn)

對(duì)指數(shù)的日收益率序列的自相關(guān)性進(jìn)行檢驗(yàn)。檢驗(yàn)方法采用Ljung-Box檢驗(yàn)。表中LB2(12)指滯后期為12的收益率平方的Ljung-Box統(tǒng)計(jì)量，該統(tǒng)計(jì)量在無(wú)序列相關(guān)的零假設(shè)下，服從自由度為12的 分布。具體檢驗(yàn)結(jié)果如下：收益率平方的Ljung-Box統(tǒng)計(jì)量為34.1853，P值為0.0006306，拒絕無(wú)自相關(guān)的零假設(shè)，表明收益率的平方存在自相關(guān)現(xiàn)象。

?

表?Ljung-Box檢驗(yàn)結(jié)果

檢驗(yàn)方法統(tǒng)計(jì)量P值LB2(12)34.18530.0006306

?

為了進(jìn)一步探究序列的自相關(guān)性，對(duì)序列作ACF、PACF圖。由圖可見(jiàn)，該收益率序列存在自相關(guān)現(xiàn)象。

3、異方差性檢驗(yàn)

對(duì)指數(shù)的日收益率序列進(jìn)行異方差性檢驗(yàn)。檢驗(yàn)方法采用ARCH-LM檢驗(yàn)。表中LM(12)指ARCH效應(yīng)的拉格朗日乘數(shù)檢驗(yàn)，在沒(méi)有ARCH效應(yīng)的零假設(shè)下，統(tǒng)計(jì)量服從自由度為12的 分布。具體檢驗(yàn)結(jié)果如下：LM統(tǒng)計(jì)量為170.9818，P值接近0，故拒絕無(wú)ARCH效應(yīng)的零假設(shè)，表明收益率序列存在ARCH效應(yīng)。

?

表?ARCH-LM檢驗(yàn)結(jié)果

檢驗(yàn)方法統(tǒng)計(jì)量P值LM(12)170.9818< 2.2e-16

?

4、平穩(wěn)性檢驗(yàn)

在時(shí)間序列模型中，序列的平穩(wěn)性會(huì)直接影響到模型的擬合效果，非平穩(wěn)的序列容易產(chǎn)生謬誤回歸（Spurious Regression）。本節(jié)將采用 ADF 檢驗(yàn)來(lái)對(duì)收益率序列進(jìn)行單位根檢驗(yàn)。檢驗(yàn)結(jié)果顯示Dickey –Fuller值為-9.7732（滯后10階），P值小于0.01，故拒絕存在單位根的原假設(shè)，認(rèn)為該收益率序列是平穩(wěn)的。

表?ADF檢驗(yàn)結(jié)果

檢驗(yàn)方法統(tǒng)計(jì)量P值A(chǔ)DF-9.7732<0.01

綜上，收益率序列存在明顯的尖峰厚尾效應(yīng)，JB檢驗(yàn)同樣否認(rèn)了收益率服從正態(tài)分布的假設(shè)。LM檢驗(yàn)表明收益率存在ARCH效應(yīng)，而LB檢驗(yàn)表明收益率的平方存在自相關(guān)現(xiàn)象，因此可以采用條件異方差模型來(lái)分析收益率序列的波動(dòng)特性

GARCH族模型的建立

本文將分別采用基于正態(tài)分布、t分布、廣義誤差分布(GED)、偏態(tài)t分布(ST)、偏態(tài)廣義誤差分布(SGED) 的GARCH(1,1)、EGARCH、TGARCH來(lái)建模。

相關(guān)視頻

**

拓端

，贊22

**

拓端

，贊11

**

拓端

，贊9

**

拓端

，贊15

表中，c為收益率的均值， 為方差方程的常數(shù)項(xiàng)， 為方差方程的ARCH項(xiàng)系數(shù)， 為GARCH項(xiàng)系數(shù)， 反映杠桿效應(yīng)的大小。參數(shù) 為概率分布中的參數(shù)，其中 控制尖峰高度和尾部厚度， 控制偏斜度。

GARCH(1,1)模型

GARCH(1,1)模型表示如下：

spec<-ugarchspec(variance.model=list(garchOrder=c(1,1)), ? ? ? mean.model=list(armaOrder=c(0,0)))fit <- ugarchfit(spec = spec, data = yield)ariance.model=list(garchOrder=c(1,1)), ? ? ? mean.model=list(armaOrder=c(0,0)),distribution.model = "std")

表?收益率指數(shù)?GARCH?模型估計(jì)結(jié)果*

?正態(tài)分布t分布GED偏t分布SGEDc0.000264( 0.21277)0.000342 ( 0.077829)0.000342 (0.040020)0.000299(0.161218)0.000230 (0.587094)0.000001 ( 0.14473)0.000001? ( 0.257057)0.000001(0.441759)0.000001(0.259532)0.000001(0.456113)0.048706( 0.00000) ***0.054123 ( 0.000001) ***0.050726 (0.002247) ***0.053698(0.000001) ***0.050853(0.00353) *****0.927184( 0.00000) ***0.933160(0.00000) ***0.931267(0.000000) ***0.933230(0.000000) ***0.930511 ?(0.000000) ***0.981867(0.000000) ***0.939087(0.000000) ***5.219963(0.00000) ***1.201313(0.00000) ***5.243745(0.000000) ***1.202264 (0.000000) ***LOG(L)4098.0994133.5714138.724133.6884139.112LB2(1)0.00053850.031540.013270.026330.01035LB2(5)0.72820741.007170.884240.970890.83074LB2(9)1.20036921.630251.434851.584881.36785

注：括號(hào)中是P值。***表示0.1%置信水平下統(tǒng)計(jì)顯著；**表示在 1%置信水平下統(tǒng)計(jì)顯著；*表示5%水平下統(tǒng)計(jì)顯著。

對(duì)GARCH(1,1)模型來(lái)說(shuō),無(wú)論收益率殘差服從哪種分布,其方差方程中ARCH項(xiàng)和GARCH項(xiàng)系數(shù)均高度顯著，然而均值方程和方差方程中的的常數(shù)項(xiàng)均不顯著。

EGARCH(1,1)模型

EGARCH是從GARCH衍生出的模型，可用于解釋“杠桿效應(yīng)”?！案軛U效應(yīng)”是指金融資產(chǎn)收益率的漲和跌對(duì)未來(lái)波動(dòng)性的影響是不同的。

chspec(variance.model=list(model="eGARCH", garchOrder=c(1,1)), ? ? ? mean.model=list(armaOrder=c(0,0)))

收益率指數(shù)?EGARCH?模型估計(jì)結(jié)果

?正態(tài)分布t分布GED偏t分布SGEDc0.000271(0.075278)0.000336( 0.079723)0.000340( 0.016498)0.000271(0.12507)0.000199 ( 0.14978)-0.206804(0.000000) ***-0.157944(0.000000) ***-0.184483(0.000000) ***-0.160675(0.000000) ***-0.190357(0.00000) ***0.001715(0.862698)-0.013118 ( 0.388489)-0.007304( 0.603938)-0.012933(0.393570)-0.007622 (0.41512)**0.978191(0.000000) ***0.983721(0.000000) ***0.981159(0.000000) ***0.983429(0.000000) ***0.980540(0.00000) ***0.107504( 0.001149)***0.128684(0.000000) ***0.118786(0.001145)**0.128607(0.000001)***0.119496(0.00000) ***0.978059(0.000000) ***0.970479(0.00000) ***4.999931(0.000000) ***1.185703(0.000000) ***5.025099(0.000000) ***1.186277(0.00000) ***LOG(L)4092.9344131.2644136.1634131.4384136.691LB2(1)0.18710.003690.032730.0043770.03288LB2(5)0.82440.936440.836190.8985160.76626LB2(9)1.43081.559341.416081.5115971.32613?

?

注：括號(hào)中是P值。***表示0.1%置信水平下統(tǒng)計(jì)顯著；**表示在 1%置信水平下統(tǒng)計(jì)顯著；*表示5%水平下統(tǒng)計(jì)顯著。

對(duì)EGARCH(1,1)模型來(lái)說(shuō),無(wú)論收益率殘差服從哪種分布,其方差方程中常數(shù)項(xiàng)和GARCH項(xiàng)系數(shù)均高度顯著，然而均值方程和方差方程中的的ARCH項(xiàng)系數(shù)均不顯著。

GJR-GARCH模型

GJR-GARCH模型即是在GARCH模型的基礎(chǔ)上考慮到杠桿效應(yīng)，引入一個(gè)虛擬變量來(lái)表示正負(fù)沖擊對(duì) 的影響。

ariance.model=list(model="gjrGARCH", garchOrder=c(1,1)), mean.model=list(armaOrder=c(0,0)),distribution.model = "std")

收益率指數(shù)?GJR-?GARCH?模型估計(jì)結(jié)果

?正態(tài)分布t分布GED偏t分布SGEDc0.000275( 0.198829)0.000335 ( 0.084013)0.000338( 0.040523)*0.000292(0.17233)0.000221 (0.540614)0.000001( 0.171795)0.000001 (0.298628)0.000001(0.000000) ***0.000001( 0.30375)0.000001(0.590270)0.051272( 0.000072)***0.051272 (0.000072)***0.046304(0.012649) *0.045985(0.00000)***0.046440 (0.007732)****0.928798(0.000000) ***0.928798(0.000000) ***0.927762 (0.000000) ***0.929132(0.00000) ***0.928254 ?(0.000000) ***-0.005443( 0.702778)-0.005443(0.702778)0.010575(0.493464)0.018174(0.32446)0.010036(0.542627)0.983235(0.00000) ***0.975509(0.000000) ***4.999931(0.000000) ***1.197353(0.000000) ***5.148342(0.00000) ***1.199348 (0.000000) ***LOG(L)4098.1444133.9554138.8494134.0634139.244LB2(1)0.000320.062940.034720.059740.02502LB2(5)0.688731.143460.987591.117920.91801?LB2(9)1.15402?1.817421.564721.784691.48424

注：括號(hào)中是P值。***表示0.1%置信水平下統(tǒng)計(jì)顯著；**表示在 1%置信水平下統(tǒng)計(jì)顯著；*表示5%水平下統(tǒng)計(jì)顯著。

對(duì)GJR-GARCH(1,1)模型來(lái)說(shuō), 無(wú)論收益率殘差服從哪種分布,其杠桿系數(shù) 都是不顯著的。但是就其他參數(shù)而言，GED分布下，參數(shù)擬合都是顯著的。方差方程中ARCH項(xiàng)和GARCH項(xiàng)系數(shù)均高度顯著，然而均值方程和方差方程中的的常數(shù)項(xiàng)均不顯著。通過(guò)對(duì)比對(duì)數(shù)似然函數(shù)值，發(fā)現(xiàn)殘差服從GED分布和SGED分布時(shí)，模型擬合效果要優(yōu)于正態(tài)分布、t分布和偏t分布。另外,五種分布條件下， 均接近1，這說(shuō)明盡管收益率的波動(dòng)會(huì)逐步衰減,但是持續(xù)的時(shí)間將會(huì)非常長(zhǎng)。最后，LB2統(tǒng)計(jì)量顯示模型的標(biāo)準(zhǔn)化殘差平方均不再具有異方差現(xiàn)象，且在統(tǒng)計(jì)上都是顯著的。

APARCH模型

APARCH(1,1)模型波動(dòng)性方程為：

variance.model=list(model="apARCH", garchOrder=c(1,1)),

收益率指數(shù)?APARCH?模型估計(jì)結(jié)果

?正態(tài)分布t分布GED偏t分布SGEDc0.000301( 0.15463)0.000349 (0.071965)0.000349( 0.049846)*0.000338 (0.108480)0.000239 (0.379013)0.000000(0.92767)0.000000(0.979064)0.000000(0.972073)0.000000(0.984476)0.000000(0.992160)0.036457(0.00021)***0.036235(0.061548)0.036665(0.123664)0.038866(0.179902)0.036743 (0.540439)**0.914738(0.00000) ***0.920788(0.000000) ***0.917647(0.000000) ***0.920930(0.000000) ***0.919184?(0.000000) ***0.001559( 0.98256)0.076905(0.416691)0.048123(0.624721)0.063356(0.277636)0.019934 (0.835479)2.770787(0.00000) ***2.835321(0.000000) ***2.732345(0.000000) ***2.774741(0.000000) ***2.794404(0.000000) ***0.991283 (0.000000) ***0.970652(0.000000) ***5.534190(0.000017) ***1.207995(0.000000) ***5.400260? (0.000001) ***1.213429(0.000687) ***LOG(L)4100.3154134.1744139.324134.3084139.746LB2(1)0.077290.16130.12080.17720.09563LB2(5)0.943861.29981.12471.36361.05785LB2(9)1.451952.02421.72782.10421.64646

注：括號(hào)中是P值。***表示0.1%置信水平下統(tǒng)計(jì)顯著；**表示在 1%置信水平下統(tǒng)計(jì)顯著；*表示5%水平下統(tǒng)計(jì)顯著。

對(duì)APARCH (1,1)模型來(lái)說(shuō), 除了方差方程 和 顯著外，其他系數(shù)基本不顯著。通過(guò)對(duì)比對(duì)數(shù)似然函數(shù)值，發(fā)現(xiàn)殘差服從GED分布和SGED分布時(shí)，模型擬合效果要優(yōu)于正態(tài)分布、t分布和偏t分布。LB2統(tǒng)計(jì)量顯示模型的標(biāo)準(zhǔn)化殘差平方均不再具有異方差現(xiàn)象，且在統(tǒng)計(jì)上都是顯著的。

計(jì)算VaR

plotMSFT.garch11.fitwhich=2

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言中的時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格

左右滑動(dòng)查看更多

01

02

03

04

序列預(yù)測(cè)

plotMSFT.garch11.boot

GARCH11滾動(dòng)預(yù)測(cè)

MSFT.garch11.roll =spec y ? ? ?classMSFT.garch11.roll## [1] "uGARCHroll" ?## attr"package" ?## [1] "rugarch"## VaR Backtest Report ?## =========================================== ?## Model:?????????????? eGARCH-norm ?## Backtest Length: 1000 ?## Data:??????????????? ?## ?## ========================================== ?## alpha:?????????????? 1% ?## Expected Exceed: 10 ?## Actual VaR Exceed:?? 50 ?## Actual %:??????????? 5% ?## ?## Unconditional Coverage Kupiec ?## Null-Hypothesis: Correct Exceedances ?## LR.uc Statistic: 82.582 ?## LR.uc Critical:????? 3.841 ?## LR.uc p-value:?????? 0 ?## Reject Null:???? YES ?## ?## Conditional Coverage Christoffersen ?## Null-Hypothesis: Correct Exceedances and ?##????????????????? Independence of Failures ?## LR.cc Statistic: 118.726 ?## LR.cc Critical:????? 5.991 ?## LR.cc p-value:?????? 0 ?## Reject Null:???? YES

點(diǎn)擊文末?“閱讀原文”

獲取全文完整代碼數(shù)據(jù)資料。

本文選自《R語(yǔ)言GARCH族模型：正態(tài)分布、t、GED分布EGARCH、TGARCH的VaR分析股票指數(shù)》。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言中的時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
R語(yǔ)言用Garch模型和回歸模型對(duì)股票價(jià)格分析
R語(yǔ)言對(duì)S＆P500股票指數(shù)進(jìn)行ARIMA + GARCH交易策略
R語(yǔ)言ARMA GARCH COPULA模型擬合股票收益率時(shí)間序列和模擬可視化
ARMA-GARCH-COPULA模型和金融時(shí)間序列案例
時(shí)間序列分析：ARIMA GARCH模型分析股票價(jià)格數(shù)據(jù)
GJR-GARCH和GARCH波動(dòng)率預(yù)測(cè)普爾指數(shù)時(shí)間序列和Mincer Zarnowitz回歸、DM檢驗(yàn)、JB檢驗(yàn)
【視頻】時(shí)間序列分析：ARIMA-ARCH / GARCH模型分析股票價(jià)格
時(shí)間序列GARCH模型分析股市波動(dòng)率
PYTHON用GARCH、離散隨機(jī)波動(dòng)率模型DSV模擬估計(jì)股票收益時(shí)間序列與蒙特卡洛可視化
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(cè)風(fēng)險(xiǎn)測(cè)度分析
Garch波動(dòng)率預(yù)測(cè)的區(qū)制轉(zhuǎn)移交易策略
金融時(shí)間序列模型ARIMA 和GARCH 在股票市場(chǎng)預(yù)測(cè)應(yīng)用
時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
R語(yǔ)言風(fēng)險(xiǎn)價(jià)值：ARIMA，GARCH，Delta-normal法滾動(dòng)估計(jì)VaR（Value at Risk）和回測(cè)分析股票數(shù)據(jù)
R語(yǔ)言GARCH建模常用軟件包比較、擬合標(biāo)準(zhǔn)普爾SP 500指數(shù)波動(dòng)率時(shí)間序列和預(yù)測(cè)可視化
Python金融時(shí)間序列模型ARIMA 和GARCH 在股票市場(chǎng)預(yù)測(cè)應(yīng)用
MATLAB用GARCH模型對(duì)股票市場(chǎng)收益率時(shí)間序列波動(dòng)的擬合與預(yù)測(cè)R語(yǔ)言GARCH-DCC模型和DCC（MVT）建模估計(jì)
Python 用ARIMA、GARCH模型預(yù)測(cè)分析股票市場(chǎng)收益率時(shí)間序列
R語(yǔ)言中的時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
R語(yǔ)言ARIMA-GARCH波動(dòng)率模型預(yù)測(cè)股票市場(chǎng)蘋(píng)果公司日收益率時(shí)間序列
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進(jìn)行股價(jià)預(yù)測(cè)
R語(yǔ)言時(shí)間序列GARCH模型分析股市波動(dòng)率
R語(yǔ)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)
matlab實(shí)現(xiàn)MCMC的馬爾可夫轉(zhuǎn)換ARMA - GARCH模型估計(jì)
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進(jìn)行股價(jià)預(yù)測(cè)
使用R語(yǔ)言對(duì)S＆P500股票指數(shù)進(jìn)行ARIMA + GARCH交易策略
R語(yǔ)言用多元ARMA,GARCH ,EWMA, ETS,隨機(jī)波動(dòng)率SV模型對(duì)金融時(shí)間序列數(shù)據(jù)建模
R語(yǔ)言股票市場(chǎng)指數(shù)：ARMA-GARCH模型和對(duì)數(shù)收益率數(shù)據(jù)探索性分析
R語(yǔ)言多元Copula GARCH 模型時(shí)間序列預(yù)測(cè)
R語(yǔ)言使用多元AR-GARCH模型衡量市場(chǎng)風(fēng)險(xiǎn)
R語(yǔ)言中的時(shí)間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價(jià)格
R語(yǔ)言用Garch模型和回歸模型對(duì)股票價(jià)格分析
GARCH（1,1），MA以及歷史模擬法的VaR比較
matlab估計(jì)arma garch 條件均值和方差模型R語(yǔ)言POT超閾值模型和極值理論EVT分析