原文鏈接：http://tecdat.cn/?p=26897

風(fēng)險價值 (VaR) 是金融風(fēng)險管理中使用最廣泛的市場風(fēng)險度量，也被投資組合經(jīng)理等從業(yè)者用來解釋未來市場風(fēng)險

風(fēng)險價值 (VaR)

• VaR 可以定義為資產(chǎn)在給定時間段內(nèi)以概率 θ 超過的市場價值損失。對于收益率 rt 的時間序列，VaRt將是這樣的

其中 It-1表示時間 t-1 的信息集。

• 盡管 VaR 在提供資產(chǎn)組合下行風(fēng)險的簡單總結(jié)時具有吸引人的簡單性，但沒有單一的計算方法。

1% 風(fēng)險價值

• 將價格轉(zhuǎn)換為收益

library(ggplot2)#?計算收益率的正態(tài)密度#?價格與收益的關(guān)系bp2?=?Close#?轉(zhuǎn)換收益率bret?=?dailyReturn#?改變列名colnames(data_rd)?=?c("x",?"y")#?正態(tài)分位數(shù)vr1?=?quantile ?ggplot(data,?aes(x?=?x,?y?=?y))

圖 ：1% VaR

點擊標題查閱往期內(nèi)容

R語言基于ARMA-GARCH-VaR模型擬合和預(yù)測實證研究分析案例

左右滑動查看更多

01

02

03

04

• 在分布術(shù)語中，對于分布 F，VaR 可以定義為它的第 p 個分位數(shù)，由下式給出

其中 F?1是分布函數(shù)的倒數(shù)，也稱為分位數(shù)函數(shù)。因此，一旦可以定義收益序列的分布，VaR 就很容易計算。

使用 GARCH 進行波動率建模和預(yù)測

• 廣義自回歸條件異方差 (GARCH) 模型 ，用于預(yù)測條件波動率的最流行的時間序列模型。
• 這些模型是條件異方差的，因為它們考慮了時間序列中的條件方差。GARCH 模型是在金融風(fēng)險建模和管理中用于預(yù)測 VaR 和條件 VaR 等金融風(fēng)險度量的最廣泛使用的模型之一。
• GARCH 模型是 ARCH 模型的廣義版本。具有旨在捕獲波動率聚類的 p 滯后項的標準 ARCH(p) 過程可以編寫如下

其中，第 t 天的收益為 Yt=σtZt和 Zt～iid(0,1)，即收益的創(chuàng)新是由隨機沖擊驅(qū)動的

• GARCH(p,q) 模型在 ARCH(p) 模型中包含滯后波動率，以納入歷史收益的影響

• GARCH(1,1) 每個階數(shù)只使用一個滯后，是實證研究和分析中最常用的版本。

?GARCH(1,1) 預(yù)測 VaR

• 其中最通用和最有能力的一種是 rugarch 包。在這里，我們使用數(shù)據(jù)集來演示使用 rugarch 包中可用的函數(shù)和方法對 GARCH 進行建模。
• 具有恒定均值方程的 GARCH(1,1) 模型?可以指定如下：

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

• 上面存儲的規(guī)范?garch_spec?現(xiàn)在可用于將 GARCH(1,1) 模型擬合到我們的數(shù)據(jù)。以下代碼使用該函數(shù)將 GARCH(1,1) 模型擬合到 BHP 對數(shù)收益并顯示結(jié)果。

• 使用對象類可用的各種方法獲得選定的擬合統(tǒng)計量

par1?=?par()?#保存圖形參數(shù)#?標準化殘差plot(figarch,?which?=?10)#?2.?條件SD?plot(fiarch,?which?=?3)

圖 ：GARCH(1,1) 的兩個信息圖

使用樣本外的 VaR 預(yù)測?

• 讓我們使用 Student-t 分布，因為收益并不總是遵循正態(tài)分布

#?學(xué)生-T分布的spec2spc2?=?ugarchspec

• rugarch 包對于估計移動窗口模型和預(yù)測 VaR 具有非常有用的功能。

garchroll(spec2,?data?=?bpret

• 我們可以使用以下例程繪制 1% 和 5% VaR 預(yù)測與實際收益的對比。

#?注意繪圖方法提供了四張圖，其中VaR為選項-4#?預(yù)測1%的學(xué)生-t?GARCH風(fēng)險值plot(v.t,?which?=?4,?VRaha?=?0.01)#?5%學(xué)生-t?GARCH風(fēng)險值plot(var.t,?which?=?4,?Vaalha?=?0.05)

圖：實際收益率與 1% VaR 預(yù)測

• 最后獲得回測

#?VaR預(yù)測的回測report(va.,?VaRha?=?0.05)??#α的默認值是0.01

點擊文末?“閱讀原文”

獲取全文完整資料。

本文選自《R語言用GARCH模型波動率建模和預(yù)測、回測風(fēng)險價值 (VaR)分析股市收益率時間序列》。

點擊標題查閱往期內(nèi)容

R語言使用多元AR-GARCH模型衡量市場風(fēng)險
R語言GARCH模型對股市sp500收益率bootstrap、滾動估計預(yù)測VaR、擬合診斷和蒙特卡羅模擬可視化R語言單變量和多變量（多元）動態(tài)條件相關(guān)系數(shù)DCC-GARCH模型分析股票收益率金融時間序列數(shù)據(jù)波動率
R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格
GARCH-DCC模型和DCC（MVT）建模估計
R語言預(yù)測期貨波動率的實現(xiàn)：ARCH與HAR-RV與GARCH，ARFIMA模型比較
ARIMA、GARCH 和 VAR模型估計、預(yù)測ts 和 xts格式時間序列
PYTHON用GARCH、離散隨機波動率模型DSV模擬估計股票收益時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)測風(fēng)險測度分析
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
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