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。
![r语言garch copula var模型附代码数据.docx](https://file1.bdocx.com/fileroot1/2022-10/1/0191e88a-eb27-4011-ae34-e576a8e83a79/0191e88a-eb27-4011-ae34-e576a8e83a791.gif)
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