全文链接：http://tecdat.cn/?p=31630
原文出处：拓端数据部落公众号
普通的模型对于两个序列的波动分析一般是静态的，但是dcc-garch模型可以实现他们之间动态相关的波动分析，即序列间波动并非为一个常数，而是一个随着时间的变化而变化的系数。其主要用于研究市场间波动率的关系。
在对上证指数、印花税收入联动性预测时，我们向客户演示了用R语言的DCC-GARCH可以提供的内容。
读取所有数据
#读取指数数据
index=read.xlsx("上证指数.xlsx")
#读取税数据
tax=read.xlsx("印花税收入.xlsx")
上证指数数据直方图
#取出上证指数数据
#差分做直方图
d.USD=diff(index$收盘)
par(mfrow = c(1, 1))
从直方图的结果来看，上证指数收盘价符合正态分布。大部分收盘价集中在0线周围，因此满足garch建模的基本前提，从数据可以看出，股指日对数收益率的均值很小，可以认为是0。收益率的分布具有正的偏度，所以分布的尾部略向右拖，表明盈利的概率要大于亏损的概率。峰度值大于正态分布的峰度（正态分布的峰度为3），这反映了收益率分布具有尖峰厚尾的特征。下面再进行上证指数时序特征分析。观察上证指数时序图，收益率的确存在明显的聚类效益（即一次大的波动后往往伴随着另一次大的波动）。
单位根检验
ADF检验思路：循环得到每列的Dickey-Fuller值和对应P值
H0：存在单位根 Ƿ=1
H1：不存在单位根 Ƿ＜1
结果：DF值的绝对值大于临界值的绝对值 / DF值小于临界值 （DF是负值）
P值小于0.01（0.05） 拒绝原假设，不存在单位根，序列平稳
从adftest单位根检验的结果来看，p值为0.05，因此拒绝原假设。所以拒绝零假设，零假设为：存在单位根。拒绝零假设就是拒绝存在单位根咯（拒绝非平稳）。因此时间序列平稳。
正态性检验
从正态性检验的结果来看，p值小于0.05，因此拒绝原价设，认为收盘价数据不满足正态性检验。
画时间序列图，ACF图
DCC-GARCH拟合
dcc(dcc.garch11.spec
从模型的结果来看，不难看出，在随机干扰项服从t分布或者广义误差分布的假设下，均值方程的参数显著性都比服从正态分布假设条件下要高，进一步验证了金融时间序列具有高峰厚尾的特点。
模型中的beta系数都较大，并且通过了显著性检验，说明指数波动具有“长期记忆性”，即过去价格的波动与其无限长期价格波动的大小都有关系。
GARCH方程中alpha+beta接近于1，表明条件方差函数具有单位根和单整性，也就是说条件方差波动具有持续记忆性，说明证券市场对外部冲击的反应以一个相对较慢的速度递减，股市一旦出现大的波动在短时期内很难消除。
GARCH方程中alpha+beta，说明收益率条件方差序列是平稳的，模型具有可预测性。
条件方差和收益率
相关系数序列
DCC条件相关系数
预测条件相关波动率和相关系数
forecast(dcc.fit, n.ahead=100)
最受欢迎的见解
1.HAR-RV-J与递归神经网络（RNN）混合模型预测和交易大型股票指数的高频波动率
2.R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长
4.R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
8.matlab预测ARMA-GARCH 条件均值和方差模型
9.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
标签：预测,波动,模型,单位根,DCC,可视化,GARCH,序列 From： https://www.cnblogs.com/tecdat/p/17128696.html