r语言garch copula var模型附代码数据.docx
《r语言garch copula var模型附代码数据.docx》由会员分享，可在线阅读，更多相关《r语言garch copula var模型附代码数据.docx（30页珍藏版）》请在冰豆网上搜索。
Taobao大数据部落
#数据处理思路
##1.原始数据为4组时间序列；
##读取软件包
library（"fGarch"）library（"quantmod"）library（ghyp）library（copula）
##设置工作目录
##读取数据
data=read.csv（"Data.csv"）
head（data）
##PoundJpanUsdEur
##1-0.016689192-0.006422036-0.0041613040.001084608
##
2
0.000000000
0.0059939300.000000000-0.034008741
##
3
0.000000000
-0.0068502730.008322209-0.013969242
##
4
0.012517495
0.0102750050.000000000-0.001120290
##
5
0.012513888
-0.0072778770.020798548-0.011676878
##6-0.0083421910.0021406790.0124743500.007202157
data=na.omit（data）
#2.对每组数据进行基本检验（自回归，异方差，自相关，稳定性，正态性）然后进行G
ARCH（1,1）建模，得到四个边缘分布；
##自编函数进行基本检验testfun=function（yield）{
##绘制时序图
ts.plot（yield）
##基本统计量summary（yield）sd（yield）var（yield）
##/* 偏度、峰度*/n<-length（yield）m<-mean（yield）
s<-sd（yield）
g1<-n/（（n-1）*（n-2））*sum（（yield-m）^3）/s^3
g2<-（（n*（n+1））/（（n-1）*（n-2）*（n-3））*sum（（yield-m）^4）/s^4-（3*（n-1）^2）/
（（n-2）*（n-3）））
##偏度g1
##峰度
g2
##/* 作图*/hist（yield,freq=F）lines（density（yield））
##QQ图（正态性）qqnorm（yield）qqline（yield）library（tseries）
##/*JB 检验*/（检验正态性）
print（jarque.bera.test（yield））
##/* 自相关性检验*/
print（Box.test（yield,type="Ljung-Box"））
#然后用自相关图检查序列的平稳性，，最后发现一阶差分后的序列是平稳的
##检验自相关偏相关系数acf（yield）pacf（yield）
#下面对平稳性序列建立模型,偏相关系数在滞后1期后很快地趋向于0，所以取p=1
自相关系数图形具有拖尾性，所以初步判断为ar
（1）模型
##/* 单位根检验*/稳定性检验print（adf.test（yield））print（pp.test（yield））
##/*ARCH-LM 检验结果*/异方差检验
library（FinTS）
print（ArchTest（yield,lags=12,demean=FALSE））
## 建立/*GARCH*/模型library（fGarch）;library（rugarch）
##/*GARCH （1,1）-norm*/
garch_norm<-garchFit（yield~garch（1,1）,trace=FALSE）garch_norm
spec<-ugarchspec（variance.model=list（garchOrder=c（1,1））,mean.model=list（armaOrder=c（0,0）））
fit<-ugarchfit（spec=spec, data=yield）
fit
}
##对每一组数据进行分析yield=data[,1]testfun（yield）
##
##JarqueBeraTest##
##data:
yield
##X-squared=614.62,df=2,p-value<2.2e-16##
##
##Box-Ljungtest##
##data:
yield
##X-squared=0.51149,df=1,p-value=0.4745
##Warninginadf.test（yield）:
p-valuesmallerthanprintedp-value
##
##AugmentedDickey-FullerTest##
##data:
yield
##Dickey-Fuller=-13.844,Lagorder=13,p-value=0.01##alternativehypothesis:
stationary
##Warninginpp.test（yield）:
p-valuesmallerthanprintedp-value##
##Phillips-PerronUnitRootTest##
##data:
yield
##Dickey-FullerZ（alpha）=-2511.3,Truncationlagparameter=9,##p-value=0.01
##alternativehypothesis:
stationary##
##
##ARCHLM-test;Nullhypothesis:
noARCHeffects##
##data:
yield
##Chi-squared=137.66,df=12,p-value<2.2e-16##Loadingrequiredpackage:
parallel
##
##Attachingpackage:
'rugarch'
##Thefollowingobjectismaskedfrom'package:
stats':
##
##sigma
##
##*---------------------------------*
##*GARCHModelFit*
##*---------------------------------*##
##ConditionalVarianceDynamics
##-----------------------------------##GARCHModel:
sGARCH（1,1）
##MeanModel:
ARFIMA（0,0,0）
##Distribution:
norm##
##OptimalParameters
##------------------------------------
##EstimateStd.ErrortvaluePr（>|t|）##mu-0.0003060.000404-0.75660.44929
##omega0.0000050.0000041.30700.19123
##alpha10.0269570.0050415.34780.00000
##beta10.9639890.002210436.18680.00000##
##RobustStandardErrors:
##EstimateStd.ErrortvaluePr（>|t|）##mu-0.0003060.000430-0.711640.47669
##omega0.0000050.0000250.189450.84974
##alpha10.0269570.0312150.863590.38782
##beta10.9639890.005525174.479640.00000##
##LogLikelihood:
6477.686##
##InformationCriteria
##------------------------------------##
##Akaike-4.8275
##Bayes-4.8187
##Shibata-4.8275
##Hannan-Quinn-4.8243##
##WeightedLjung-BoxTestonStandardizedResiduals##------------------------------------
##statisticp-value
##Lag[1]0.008320.9273
##Lag[2*（p+q）+（p+q）-1][2]1.482040.3652
##Lag[4*（p+q）+（p+q）-1][5]4.833950.1668
##d.o.f=0
##H0:
Noserialcorrelation##
##WeightedLjung-BoxTestonStandardizedSquaredResiduals##------------------------------------
##statisticp-value
##Lag[1]6.920.008522
##Lag[2*（p+q）+（p+q）-1][5]8.110.027672
##Lag[4*（p+q）+（p+q）-1][9]11.590.022506
##d.o.f=2##
##WeightedARCHLMTests
##------------------------------------
##StatisticShapeScaleP-Value
##
ARCH
Lag[3]
0.2937
0.500
2.000
0.5878
##
ARCH
Lag[5]
2.0334
1.440
1.667
0.4639
##
##
ARCH
Lag[7]
5.6010
2.315
1.543
0.1704
##Nyblomstabilitytest
##------------------------------------
##JointStatistic:
4.4761##IndividualStatistics:
##mu0.32013
##omega0.76021
##alpha10.09171
##beta10.23634##
##AsymptoticCriticalValues（10%5%1%）
##JointStatistic:
1.071.241.6
##Ind
升级会员 