全文下載鏈接：http://tecdat.cn/?p=12174

本文比較了幾個時間序列模型，以預測SP500指數(shù)的每日實際波動率?；鶞适荢PX日收益序列的ARMA-EGARCH模型。將其與GARCH模型進行比較? 。最后，提出了集合預測算法 。

假設條件

實際波動率是看不見的，因此我們只能對其進行估算。這也是波動率建模的難點。如果真實值未知，則很難判斷預測質(zhì)量。盡管如此，研究人員為實際波動率開發(fā)了估算模型。Andersen，Bollerslev Diebold（2008）??和? Barndorff-Nielsen and Shephard（2007）??以及? Shephard and Sheppard（2009）??提出了一類基于高頻的波動率（HEAVY）模型，作者認為HEAVY模型給出了??很好的??估計。

假設：HEAVY實現(xiàn)的波動率估算器無偏且有效。

在下文中，將HEAVY估計量作為??觀察到的已實現(xiàn)波動率（實際波動率）?來確定預測性能。

數(shù)據(jù)來源

• SPX每日數(shù)據(jù)（平倉收益）

• SPX盤中高頻數(shù)據(jù)（HEAVY模型估計）

• VIX

• VIX衍生品（VIX期貨）

在本文中，我主要關(guān)注前兩個。

數(shù)據(jù)采集

實際波動率估計和每日收益

我實現(xiàn)了Shephard和Sheppard的模型，并估計了SPX的實際量。

head(SPXdata) SPX2.rv ? ? ? SPX2.r ? ? SPX2.rs SPX2.nobs SPX2.open2000-01-03 0.000157240 -0.010103618 0.000099500 ? ? ?1554 ?34191.162000-01-04 0.000298147 -0.039292183 0.000254283 ? ? ?1564 ?34195.042000-01-05 0.000307226 ?0.001749195 0.000138133 ? ? ?1552 ?34196.702000-01-06 0.000136238 ?0.001062120 0.000062000 ? ? ?1561 ?34191.432000-01-07 0.000092700 ?0.026022074 0.000024100 ? ? ?1540 ?34186.142000-01-10 0.000117787 ?0.010537636 0.000033700 ? ? ?1573 ?34191.50 ? ? ? ? ? SPX2.highlow SPX2.highopen SPX2.openprice SPX2.closeprice2000-01-03 ? 0.02718625 ? 0.005937756 ? ? ? ?1469.25 ? ? ? ? 1454.482000-01-04 ? 0.04052226 ? 0.000000000 ? ? ? ?1455.22 ? ? ? ? 1399.152000-01-05 ?-0.02550524 ? 0.009848303 ? ? ? ?1399.42 ? ? ? ? 1401.872000-01-06 ?-0.01418039 ? 0.006958070 ? ? ? ?1402.11 ? ? ? ? 1403.602000-01-07 ?-0.02806616 ? 0.026126203 ? ? ? ?1403.45 ? ? ? ? 1440.452000-01-10 ?-0.01575486 ? 0.015754861 ? ? ? ?1441.47 ? ? ? ? 1456.74 ? ? ? ? ? ? ? ? DATE ? SPX2.rvol2000-01-03 2000-01-03 0.0125395372000-01-04 2000-01-04 0.0172669342000-01-05 2000-01-05 0.0175278642000-01-06 2000-01-06 0.0116721032000-01-07 2000-01-07 0.0096280842000-01-10 2000-01-10 0.010852972

SPXdata$SPX2.rv?是估計的實際方差。?SPXdata$SPX2.r?是每日收益（平倉）。?SPXdata$SPX2.rvol?是估計的實際波動率

?SPXdata$SPX2.rvol

基準模型：SPX每日收益率建模

ARMA-EGARCH

考慮到在條件方差中具有異方差性的每日收益，GARCH模型可以作為擬合和預測的基準。

首先，收益序列是平穩(wěn)的。

Augmented Dickey-Fuller Test data: ?SPXdata$SPX2.rDickey-Fuller = -15.869, Lag order = 16, p-value = 0.01alternative hypothesis: stationary

分布顯示出尖峰和厚尾。可以通過t分布回歸分布密度圖來近似? 。黑線是內(nèi)核平滑的密度，綠線是t分布密度。

點擊標題查閱往期內(nèi)容

ARMA-GARCH-COPULA模型和金融時間序列案例

左右滑動查看更多

01

02

03

04

acf(SPXdata$SPX2.r)?##自相關(guān)系數(shù)圖

Box-Ljung testdata: ?SPXdata$SPX2.r X-squared = 26.096, df = 1, p-value = 3.249e-07

自相關(guān)圖顯示了每周相關(guān)性。Ljung-Box測試確認了序列存在相關(guān)性。

Series: SPXdata$SPX2.r ARIMA(2,0,0) with zero mean Coefficients: ? ? ? ? ?ar1 ? ? ?ar2 ? ? ?-0.0839 ?-0.0633 s.e. ? 0.0154 ? 0.0154 sigma^2 estimated as 0.0001412: ?log likelihood=12624.97AIC=-25243.94 ? AICc=-25243.93 ? BIC=-25224.92

auro.arima?表示ARIMA（2,0,0）可以對收益序列中的自相關(guān)進行建模，而eGARCH（1,1）在波動率建模中很受歡迎。因此，我選擇具有t分布的ARMA（2,0）-eGARCH（1,1）作為基準模型。

*---------------------------------** ? ? ? GARCH Model Spec ? ? ? ? ?**---------------------------------*Conditional Variance Dynamics------------------------------------GARCH Model ? ? : eGARCH(1,1)Variance Targeting ?: FALSE Conditional Mean Dynamics------------------------------------Mean Model ? ? ?: ARFIMA(2,0,0)Include Mean ? ? ? ?: TRUE GARCH-in-Mean ? ? ? : FALSE Conditional Distribution------------------------------------Distribution ? ?: ?std Includes Skew ? : ?FALSE Includes Shape ?: ?TRUE Includes Lambda : ?FALSE

我用4189個觀測值進行了回測（從2000-01-03到2016-10-06），使用前1000個觀測值訓練模型，然后每次向前滾動預測一個，然后每5個觀測值重新估計模型一次 。下圖顯示?了樣本外??預測和相應的實際波動率。

預測顯示與實現(xiàn)波動率高度相關(guān)，超過72％。

cor(egarch_model$roll.pred$realized_vol, egarch_model$roll.pred$egarch.predicted_vol, ? ?method = "spearman")[1]?0.7228007

誤差摘要和繪圖

Min. ? ?1st Qu. ? ? Median ? ? ? Mean ? ?3rd Qu. ? ? ? Max. -0.0223800 -0.0027880 -0.0013160 -0.0009501 ?0.0003131 ?0.0477600

平均誤差平方（MSE）：

[1]?1.351901e-05

改進：實際GARCH模型和LRD建模

實際GARCH

realGARCH?該模型由? Hansen，Huang和Shek（2012）??（HHS2012）提出，該模型?使用非對稱動力學表示將實際（已實現(xiàn)）波動率測度與潛在? _真實波動率聯(lián)系_起來。與標準GARCH模型不同，它是收益和實際波動率度量的聯(lián)合建模（本文中的HEAVY估計器）。

模型：

*---------------------------------** ? ? ? GARCH Model Spec ? ? ? ? ?**---------------------------------*Conditional Variance Dynamics------------------------------------GARCH Model ? ? : realGARCH(2,1)Variance Targeting ?: FALSE Conditional Mean Dynamics------------------------------------Mean Model ? ? ?: ARFIMA(2,0,0)Include Mean ? ? ? ?: TRUE GARCH-in-Mean ? ? ? : FALSE Conditional Distribution------------------------------------Distribution ? ?: ?norm Includes Skew ? : ?FALSE Includes Shape ?: ?FALSE Includes Lambda : ?FALSE

滾動預測過程與上述ARMA-EGARCH模型相同。下圖顯示??了樣本外??預測和相應的實際波動率。

預測與實際的相關(guān)性超過77％

cor(arfima_egarch_model$roll.pred$realized_vol, arfima_egarch_model$roll.pred$arfima_egarch.predicted_vol, ? ?method = "spearman")[1]?0.7707991

誤差摘要和圖：

Min. ? ?1st Qu. ? ? Median ? ? ? Mean ? ?3rd Qu. ? ? ? Max. -1.851e-02 -1.665e-03 -4.912e-04 -1.828e-05 ?9.482e-04 ?5.462e-02

均方誤差（MSE）：

[1]?1.18308e-05

備注：

• 用于每日收益序列的ARMA-eGARCH模型和用于實際波動率的ARFIMA-eGARCH模型利用不同的信息源。ARMA-eGARCH模型僅涉及每日收益，而ARFIMA-eGARCH模型基于HEAVY估算器，該估算器是根據(jù)日內(nèi)數(shù)據(jù)計算得出的。RealGARCH模型將它們結(jié)合在一起。

• 以均方誤差衡量，ARFIMA-eGARCH模型的性能略優(yōu)于realGARCH模型。這可能是由于ARFIMA-eGARCH模型的LRD特性所致。

集成模型

隨機森林

**

拓端

，贊11

現(xiàn)在已經(jīng)建立了三個預測

• ARMA?egarch_model

• realGARCH?rgarch model

• ARFIMA-eGARCH?arfima_egarch_model

盡管這三個預測顯示出很高的相關(guān)性，但預計模型平均值會減少預測方差，從而提高準確性。使用了隨機森林集成。

varImpPlot(rf$model)

隨機森林由500棵樹組成，每棵樹隨機選擇2個預測以擬合實際值。下圖是擬合和實際波動率。

預測與實際波動率的相關(guān)性：

[1]?0.840792

誤差圖：

均方誤差：

[1]?1.197388e-05

MSE與實際波動率方差的比率

[1]?0.2983654

備注

涉及已實際量度信息的realGARCH模型和ARFIMA-eGARCH模型優(yōu)于標準的收益序列ARMA-eGARCH模型。與基準相比，隨機森林集成的MSE減少了17％以上。

從信息源的角度來看，realGARCH模型和ARFIMA-eGARCH模型捕獲了日內(nèi)高頻數(shù)據(jù)中的增量信息（通過模型，HEAVY實際波動率估算）

進一步研究：隱含波動率

以上方法不包含隱含波動率數(shù)據(jù)。隱含波動率是根據(jù)SPX期權(quán)計算得出的。自然的看法是將隱含波動率作為預測已實現(xiàn)波動率的預測因子。但是，大量研究表明，無模型的隱含波動率VIX是有偏估計量，不如基于過去實際波動率的預測有效。Torben G. Andersen，Per Frederiksen和Arne D. Staal（2007）??同意這種觀點。他們的工作表明，將隱含波動率引入時間序列分析框架不會帶來任何明顯的好處。但是，作者指出了隱含波動率中增量信息的可能性，并提出了組合模型。

因此，進一步的發(fā)展可能是將時間序列預測和隱含波動率（如果存在）的預測信息相結(jié)合的集成模型。

本文摘選?《?R語言ARMA-EGARCH模型、集成預測算法對SPX實際波動率進行預測?》?，點擊“閱讀原文”獲取全文完整資料。

點擊標題查閱往期內(nèi)容

R語言多變量廣義正交GARCH（GO-GARCH）模型對股市高維波動率時間序列擬合預測
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進行股價預測
ARMA-GARCH-COPULA模型和金融時間序列案例
時間序列分析：ARIMA GARCH模型分析股票價格數(shù)據(jù)
GJR-GARCH和GARCH波動率預測普爾指數(shù)時間序列和Mincer Zarnowitz回歸、DM檢驗、JB檢驗
【視頻】時間序列分析：ARIMA-ARCH / GARCH模型分析股票價格
時間序列GARCH模型分析股市波動率
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：多元化投資組合預測風險測度分析
Garch波動率預測的區(qū)制轉(zhuǎn)移交易策略
金融時間序列模型ARIMA 和GARCH 在股票市場預測應用
時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格
R語言風險價值：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測可視化
Python金融時間序列模型ARIMA 和GARCH 在股票市場預測應用
MATLAB用GARCH模型對股票市場收益率時間序列波動的擬合與預測R語言GARCH-DCC模型和DCC（MVT）建模估計
Python 用ARIMA、GARCH模型預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、集成預測算法對SPX實際波動率進行預測
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 模型時間序列預測
R語言使用多元AR-GARCH模型衡量市場風險
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語言時間序列GARCH模型分析股市波動率
R語言ARMA-EGARCH模型、集成預測算法對SPX實際波動率進行預測
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 模型時間序列預測
R語言使用多元AR-GARCH模型衡量市場風險
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GARCH-DCC模型和DCC（MVT）建模估計
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ARMA-GARCH-COPULA模型和金融時間序列案例