原文链接：http://tecdat.cn/?p=23934
最近我们被客户要求撰写关于ARIMA-GARCH的研究报告，包括一些图形和统计输出。
在本文中，我们将尝试为苹果公司的日收益率寻找一个合适的 GARCH 模型
波动率建模需要两个主要步骤。
- 指定一个均值方程（例如 ARMA，AR，MA，ARIMA 等）。
- 建立一个波动率方程（例如 GARCH, ARCH，这些方程是由 Robert Engle 首先开发的）。
要做(1)，你需要利用著名的Box-Jenkins方法，它包括三个主要步骤。
- 识别
- 估算
- 诊断检查
这三个步骤有时会有不同的名称，这取决于你读的是谁的书。在本文中，我将更多地关注（2）。
我将使用一个名为quantmod的软件包，它代表量化金融建模框架。这允许你在R中直接从各种在线资源中抓取金融数据。
#install.packages("quantmod") -需要先安装该软件包
getSymbols(Symbols = "AAPL",
src="yahoo", #其他来源包括：谷歌、FRED等。
收益通常有一个非常简单的平均数方程，这导致了简单的残差。
我们首先要测试序列依赖性，这是条件异方差的一个指标（序列依赖性与序列相关不同）。这是通过对原始序列的平方/绝对值进行测试，并使用Ljung和Box（1978）的Ljung-Box测试等联合假设进行测试，这是一个Portmentau检验，正式检验连续自相关，直到预定的滞后数，如下所示。
其中T是总的周期数，m是你要测试的序列相关的滞后期数，ρ2k是滞后期k的相关性，Q∗(m)∼χ2α有m个自由度。
检查
下面是AAPL对数收益时间序列及其ACF，这里我们要寻找显著的滞后期（也可以运行pacf）或存在序列自相关。
通过观察ACF，水平序列（对数收益）并不是真正的自相关，但现在让我们看一下平方序列来检查序列依赖性。
点击标题查阅往期相关内容
R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模
左右滑动查看更多
01
02
03
04
我们可以看到，平方序列的ACF显示出显著的滞后。这是一个信号，说明我们应该在某个时候测试ARCH效应。
平稳性
我们可以看到，AAPL的对数回报在某种程度上是一个平稳的过程，所以我们将使用Augmented Dicky-Fuller检验（ADF）来正式检验平稳性。ADF是一个广泛使用的单位根检验，即平稳性。我们将使用12个滞后期，因为根据文献的建议，我们有每日数据。何：存在单位根（系列是非平稳的
##
## Title:
## Augmented Dickey-Fuller Test
##
## Test Results:
## PARAMETER:
## Lag Order: 12
## STATISTIC:
## Dickey-Fuller: -14.6203
## P VALUE:
## 0.01
##
## Description:
## Mon May 25 16:45:37 2020 by user: Florian
上面的P值为0.01，表明我们应该拒绝Ho，因此，该系列是平稳的。
结构突变_检验_
请注意，我从2008年底开始研究APPL序列。以避免08年大衰退，通常会在数据中产生结构性突变（即趋势的严重下降/跳跃）。我们将对结构性突变/变化进行Chow测试。AAPL的日收益率没有结构性突变
该图显示，用于估计断点（BP）数量的BIC（黑线）是BIC线的最小值，所以我们可以确认没有结构性断点，因为最小值是零，即零断点。在预测时间序列时，断点非常重要。
估计
在这一节中，我们试图用auto.arima命令来拟合最佳arima模型，允许一个季节性差异和一个水平差异。
正如我们所知，{Yt}的一般ARIMA(p,d,q)。
根据auto.arima，最佳模型是ARIMA(3,0,2)，平均数为非零，AIC为-14781.55。我们的平均方程如下（括号内为SE）。
Auto.arima函数挑选出具有最低AIC的ARIMA(p,d,q)，其中。
其中Λθ是观察到的数据在参数的mle的概率。因此，如果Auto.arima函数运行N模型，其决策规则为AIC∗=min{AICi}Ni=1
诊断检查
我们可以看到，我们的ARIMA(3,0,2)的残差是良好的表现。它们似乎也有一定的正态分布
##
## Ljung-Box test
##
## data: Residuals from ARIMA(3,0,2) with non-zero mean
## Q* = 6.7928, df = 4, p-value = 0.1473
##
## Model df: 6. Total lags used: 10
现在我们将通过对我们的ARIMA(3,0,2)模型的平方残差应用Ljung-Box测试来检验ARCH效应。
##
## Box-Ljung test
##
## data: resid^2
## X-squared = 126.6, df = 12, p-value < 2.2e-16
我们可以看到，残差平方的 ACF 显示出许多显著的滞后期，因此我们得出结论，确实存在 ARCH 效应，我们应该对波动率进行建模。
使用 GARCH 建立波动率模型
上面将我们的平均数方程中的残差进行了平方，看看大的冲击是否紧随在其他大的冲击之后（无论哪个方向，即负的或正的），如果是这样，那么我们就有条件异方差，意味着我们有需要建模的非恒定方差。下面是一个GARCH(m,s)的样子。
其中{ϵ2t}mt=1是我们通常的特异性冲击，iid随机变量，即ϵ2t∼WN(0,σ2ϵ)。我们可以更紧凑地写成：
其中B是标准的后移算子Biϵ2t=ϵ2t-i，Biσ2t=σ2t-i。对于任何整数ii，以及α和β分别是度数为m和s的多项式
请注意，一个特殊情况是当s=0时，GARCH(m,0)被称为ARCH(m)。
当我说GARCH家族时，它表明模型有变化。
- SGARCH。普通GARCH
- EGARCH。指数GARCH，允许波动率不为负值（这迫使模型只输出正方差
- FGARCH。这是为长记忆模型准备的。它使用了被称为 ARFIMA 的 Fractionaly integrated ARIMA（即非整数整合）。
- GARCH-M：这是GARCH的均值，适合你的均值方程中有波动率例如CAPM的方程中有σ。
- GJR-GARCH。假设负面冲击和正面冲击之间存在不对称性（金融数据几乎都是这样）。
为收益率序列建立波动率模型包括四个步骤：
- 通过测试数据中的序列依赖性来指定一个均值方程，如果有必要，为收益序列建立一个 计量经济学模型（例如，ARIMA 模型）来消除任何线性依赖。
- 使用平均值方程的残差来测试ARCH效应。
- 如果ARCH效应在统计上是显著的，就指定一个波动率模型，并对均值和波动率方程进行联合估计。
- 仔细检查拟合的模型，必要时对其进行改进。
一个简单的 GARCH 模型有以下成分。
均值:
波动率方程:
误差假设:
#以下命令将计算GARCH(m,s)。请记住，对于某些m和s的组合，它可能不会收敛。
garchlist(model="sGARCH", #其他选项有egarch, fgarch等。
garchOrder=c(1,2)), #你可以在这里修改GARCH(m,s)的阶数
mean.model , #指定你的ARMA模型，暗示你的模型应该是平稳的。
distribution.model #其他分布是 "std "代表t分布，"ged "代表一般误差分布
我们的波动率方程由GARCH(1,2)给出，AIC:-5.5277（注意GARCH可能无法收敛）。
下面是使用我们的波动率模型对波动率进行的预测。这看起来是一个合理的波动率预测，但是你想改进你的模型。
现在让我们使用rugarch的标准功能，使用估计的GARCH(1,2)模型来产生σt的滚动预测，并将它们与|rt|作对比。
最后，我们可以手动编写代码来查看随时间变化的波动率和对数收益率rt，如下图。
# 这将有助于在对数收益率上绘制sigma随时间变化的图。
sigma.t #这是你的波动率序列
ggplot()
geom_line(aes(x=as.numeric(
theme_bw()+
结论
事实证明，GARCH系列是所谓确定性波动率模型的一部分。还有一个家族叫做随机波动率模型，它允许模型中存在随机性，而GARCH假设我们对波动率进行了完美的建模（如果你对你所分析的序列非常熟悉，这可能是一个好的假设，但实际情况并不总是这样）。随机波动率模型通常是用马尔科夫链蒙特卡洛（MCMC）和准蒙特卡洛方法来估计的，如果你学过随机过程的相关内容，你会知道这是什么。
参考文献
-
Tsay, R. (2010). Analysis of Financial Time Series. (3rd ed., Wiley Series in Probability and Statistics).
-
Brockwell, P., & Davis, Richard A. (2016). Introduction to time series and forecasting (3rd ed., Springer texts in statistics). New York: Springer.
-
Racine, Jeffrey S. (2019) Reproducible Econometrics Using R (Oxford)
点击文末 “阅读原文”
获取全文完整资料。
本文选自《R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列》。
点击标题查阅往期内容
R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据
R语言GARCH模型对股市sp500收益率bootstrap、滚动估计预测VaR、拟合诊断和蒙特卡罗模拟可视化
R语言单变量和多变量（多元）动态条件相关系数DCC-GARCH模型分析股票收益率金融时间序列数据波动率
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
GARCH-DCC模型和DCC（MVT）建模估计
R语言预测期货波动率的实现：ARCH与HAR-RV与GARCH，ARFIMA模型比较
ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列
PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化
极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析
Garch波动率预测的区制转移交易策略
金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据
R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化
Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测
R语言极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析
Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
R语言时间序列GARCH模型分析股市波动率
R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模
R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析
R语言多元Copula GARCH 模型时间序列预测
R语言使用多元AR-GARCH模型衡量市场风险
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言用Garch模型和回归模型对股票价格分析
GARCH（1,1），MA以及历史模拟法的VaR比较
matlab估计arma garch 条件均值和方差模型