原文链接：http://tecdat.cn/?p=12292
最近我们被客户要求撰写关于HAR-RV的研究报告，包括一些图形和统计输出。
我们复制了Ghysels（2013）中提供的示例。我们进行了MIDAS回归分析，来预测季度GDP增长以及每月非农就业人数的增长
预测GDP增长
预测公式如下
其中yt是按季度季节性调整后的实际GDP的对数增长，x3t是月度总就业非农业工资的对数增长。
首先，我们加载数据并执行转换。
R> y <- window(USqgdp, end = c(2011, 2))
R> x <- window(USpayems, end = c(2011, 7))
R> yg <- diff(log(y)) * 100
R> xg <- diff(log(x)) * 100
最后两行用于均衡样本大小，样本大小在原始数据中有所不同。我们只需在数据的开头和结尾添加其他NA值即可。数据的图形表示如图所示。要指定midas_r函数的模型，我们以下等效形式重写它：
点击标题查阅往期内容
R语言预测期货波动率的实现：ARCH与HAR-RV与GARCH，ARFIMA模型比较
左右滑动查看更多
01
02
03
04
就像在Ghysels（2013）中一样，我们将估算样本限制在1985年第一季度到2009年第一季度之间。我们使用Beta多项式，非零Beta和U-MIDAS权重来评估模型。
R> coef(beta0)
(Intercept) yy xx1 xx2 xx3
0.8315274 0.1058910 2.5887103 1.0201202 13.6867809
R> coef(betan)
(Intercept) yy xx1 xx2 xx3 xx4
0.93778705 0.06748141 2.26970646 0.98659174 1.49616336 -0.09184983
(Intercept) yy xx1 xx2 xx3 xx4
0.92989757 0.08358393 2.00047205 0.88134597 0.42964662 -0.17596814
xx5 xx6 xx7 xx8 xx9
0.28351010 1.16285271 -0.53081967 -0.73391876 -1.18732001
我们可以使用2009年第2季度至2011年第2季度包含9个季度的样本数据评估这三个模型的预测性能。
R> fulldata <- list(xx = window(nx, start = c(1985, 1), end = c(2011, 6)),
+ yy = window(ny, start = c(1985, 1), end = c(2011, 2)))
R> insample <- 1:length(yy)
R> outsample <- (1:length(fulldata$yy))[-insample]
R> avgf <- average_forecast(list(beta0, betan, um), data = fulldata,
+ insample = insample, outsample = outsample)
R> sqrt(avgf$accuracy$individual$MSE.out.of.sample)
[1] 0.5361953 0.4766972 0.4457144
我们看到，MIDAS回归模型提供了最佳的样本外RMSE。
预测实际波动
作为另一个演示，我们使用midasr来预测每日实现的波动率。Corsi（2009）提出了一个简单的预测每日实际波动率的模型。实现波动率的异质自回归模型（HAR-RV）定义为
我们假设一周有5天，一个月有4周。该模型是MIDAS回归的特例：
为了进行经验论证，我们使用了由Heber，Lunde，Shephard和Sheppard（2009）提供的关于股票指数的已实现波动数据。我们基于5分钟的收益数据估算S＆P500指数的年度实现波动率模型。
Parameters:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.83041 0.36437 2.279 0.022726 *
rv1 0.34066 0.04463 7.633 2.95e-14 ***
rv2 0.41135 0.06932 5.934 3.25e-09 ***
rv3 0.19317 0.05081 3.802 0.000146 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 5.563 on 3435 degrees of freedom
为了进行比较，我们还使用归一化指数Almon权重来估计模型
Parameters:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.837660 0.377536 2.219 0.0266 *
rv1 0.944719 0.027748 34.046 < 2e-16 ***
rv2 -0.768296 0.096120 -7.993 1.78e-15 ***
rv3 0.029084 0.005604 5.190 2.23e-07 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 5.535 on 3435 degrees of freedom
我们可以使用异方差性和自相关鲁棒权重规范检验hAhr_test来检验这些限制中哪些与数据兼容。
hAh restriction test (robust version)
data:
hAhr = 28.074, df = 17, p-value = 0.04408
hAh restriction test (robust version)
data:
hAhr = 19.271, df = 17, p-value = 0.3132
我们可以看到，与MIDAS回归模型中的HAR-RV隐含约束有关的零假设在0.05的显着性水平上被拒绝，而指数Almon滞后约束的零假设则不能被拒绝。
图说明了拟合的MIDAS回归系数和U-MIDAS回归系数及其相应的95％置信区间。对于指数Almon滞后指标，我们可以通过AIC或BIC选择滞后次数。
我们使用了两种优化方法来提高收敛性。将测试函数应用于每个候选模型。函数hAhr_test需要大量的计算时间，尤其是对于滞后阶数较大的模型，因此我们仅在第二步进行计算，并且限制了滞后 restriction test 的选择。AIC选择模型有9阶滞后：
Selected model with AIC = 21551.97
Based on restricted MIDAS regression model
The p-value for the null hypothesis of the test hAhr_test is 0.5531733
Parameters:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.96102 0.36944 2.601 0.00933 **
rv1 0.93707 0.02729 34.337 < 2e-16 ***
rv2 -1.19233 0.19288 -6.182 7.08e-10 ***
rv3 0.09657 0.02190 4.411 1.06e-05 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 5.524 on 3440 degrees of freedom
hAh_test的HAC再次无法拒绝指数Almon滞后的原假设。我们可以使用具有1000个观测值窗口的滚动预测来研究两个模型的预测性能。为了进行比较，我们还计算了无限制AR（20）模型的预测。
Model MSE.out.of.sample MAPE.out.of.sample
1 rv ~ (rv, 1:20, 1) 10.82516 26.60201
2 rv ~ (rv, 1:20, 1, harstep) 10.45842 25.93013
3 rv ~ (rv, 1:9, 1, nealmon) 10.34797 25.90268
MASE.out.of.sample MSE.in.sample MAPE.in.sample MASE.in.sample
1 0.8199566 28.61602 21.56704 0.8333858
2 0.8019687 29.24989 21.59220 0.8367377
3 0.7945121 29.08284 21.81484 0.8401646
我们看到指数Almon滞后模型略优于HAR-RV模型，并且两个模型均优于AR（20）模型。
参考文献
Andreou E，Ghysels E，Kourtellos A（2010）。“具有混合采样频率的回归模型。” 计量经济学杂志，158，246–261。doi：10.1016 / j.jeconom.2010.01。004。
Andreou E，Ghysels E，Kourtellos A（2011）。“混合频率数据的预测。” 在MP Clements中，DF Hendry（编），《牛津经济预测手册》，第225–245页。
点击文末 “阅读原文”
获取全文完整资料。
本文选自《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》。
点击标题查阅往期内容
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
R语言预测期货波动率的实现：ARCH与HAR-RV与GARCH，ARFIMA模型比较
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GARCH-DCC模型和DCC（MVT）建模估计
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R语言POT超阈值模型和极值理论EVT分析
R语言极值推断：广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法
R语言极值理论EVT：基于GPD模型的火灾损失分布分析
R语言有极值（EVT）依赖结构的马尔可夫链(MC)对洪水极值分析
R语言POT超阈值模型和极值理论EVT分析
R语言混合正态分布极大似然估计和EM算法
R语言多项式线性模型：最大似然估计二次曲线
R语言Wald检验 vs 似然比检验
R语言GARCH-DCC模型和DCC（MVT）建模估计
R语言非参数方法：使用核回归平滑估计和K-NN(K近邻算法)分类预测心脏病数据
matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计
R语言基于Bootstrap的线性回归预测置信区间估计方法
R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型
Matlab马尔可夫链蒙特卡罗法（MCMC）估计随机波动率（SV，Stochastic Volatility） 模型
Matlab马尔可夫区制转换动态回归模型估计GDP增长率R语言极值推断：广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法