R语言GARCH-DCC模型和DCC（MVT）建模估计

原文链接：http://tecdat.cn/?p=7194

原文出处：拓端数据部落公众号

这个简短的演示说明了使用r软件包的DCC模型及其方法的使用，尤其是在存在MVT分布形状参数的情况下进行2级DCC估计的另一种方法。

第一阶段并将其传递给dccfit

 cl = makePSOCKcluster(10)

multf = multifit(uspec, Dat, cluster = cl)

接下来，估计DCC模型。

fit1 = dccfit(spec1, data = Dat, fit.control = list(eval.se = TRUE), fit = multf, cluster = cl)
 

为了在实践中拟合DCC（MVT）模型，要么假定第一阶段的QML，要么必须在阶段中共同估算共同的形状参数。在下面的示例中，一种替代方法用于估计近似共同形状参数。

似然度和形状参数变化的图表明，只需几次迭代即可收敛到稳定值。

shape参数的值表示峰度为1.06。对非对称DCC（MVT）模型重复进行拟合。

xspec = ugarchspec(mean.model = list(armaOrder = c(1,1)), variance.model = list(garchOrder = c(1,1), model = "eGARCH"),  distribution.model = "norm")

 

下表显示了估算模型的摘要，系数旁边的星号表示显着性水平（*** 1％，** 5％，* 10％）。

##           DCC-MVN   aDCC-MVN    DCC-MVL   aDCC-MVL      DCC-MVT     aDCC-MVT
## a      0.00784*** 0.00639*** 0.00618***  0.0055***   0.00665***    0.00623***
## b      0.97119*** 0.96956*** 0.97624*** 0.97468***   0.97841***    0.97784***
## g                    0.00439               0.00237                 0.00134
## shape                                                9.63947***    9.72587***
## LogLik      22812      22814      22858      22859        23188         23188

下图表说明了来自不同模型的一些动态相关性：

终止集群对象：

stopCluster(cl)

参考文献

1.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用

2.R语言GARCH-DCC模型和DCC（MVT）建模估计

3.R语言实现 Copula 算法建模依赖性案例分析报告

4.R语言COPULAS和金融时间序列数据VaR分析

5.R语言多元COPULA GARCH 模型时间序列预测

6.用R语言实现神经网络预测股票实例

7.r语言预测波动率的实现：ARCH模型与HAR-RV模型

8.R语言如何做马尔科夫转换模型markov switching model

9.matlab使用Copula仿真优化市场风险