标签：DM 预测 模型 检验 ######################### GARCH VAR

原文链接：http://tecdat.cn/?p=25569

原文出处：拓端数据部落公众号

在投资组合管理、风险管理和衍生品定价中，波动性起着重要作用。事实上如此重要，以至于您可以找到比您可以处理的更多的波动率模型。接下来是检查每个模型在样本内外的表现如何。以下是您可以做的三件事：

1. 基于回归的检验——Mincer Zarnowitz 回归
这个想法很简单，回归预测的实际（实现）值：

  

现在我们共同检验假设：

  

截距为零意味着你的预测是无偏的。矛盾的是，如果截距是0.02，这意味着为了使两边相等，我们在预测中平均增加0.02，所以它一直在低估观察值。斜率应该是1，也就是说，你的预测完全 "解释 "了观察值。

2. 配对比较——Diebold Mariano 检验。
假设您有两个模型，它们产生两组预测。因此，您有两组误差。调用这些误差

  

在两种方法相同的情况下，这两个向量的差  平均为零（或这些向量的函数，例如 e1^2 – e2^2）。在仅使用相同方法复制预测的极端情况下，差正好为零。更重要的是，我们知道这种差是如何分布的（渐近地..），因此我们可以测试它是否确实偏离零。

难以理解这一点。如果不知道 2 的结果的可能性有多大，就不可能测量 0 和 2 之间的距离。在 {-3,3} 之间均匀分布的 2 的结果并不像具有标准正态分布的 2 的结果那样不可能。

产生明显更小的误差（通常是平方误差或绝对误差）的方法是首选。您可以轻松地将其扩展到多个比较。

3. Jarque-Bera 检验
在这种情况下，我们有一个准确的波动率预测。我们可以将序列中心化并使用我们对标准差的预测对其进行标准化。准确地说：

  

应该有均值零和标准差一。新的标准化序列通常不会呈正态分布，但您可以使用此检验来衡量模型获取原始序列的偏度和峰度的程度。

实证研究中，前两个方案对一般的预测评估是有效的，然而，波动率是不可观察的，所以我们用什么作为观察值并不清楚。我们所做的是用一个替代物来代替 "观察到的"，通常是收益率的平方。在这里你可以找到更准确的替代方法，但是，它们是基于日内信息的，所以你需要获得日内数据源。

我们看看在 R 中是如何工作的。

我从谷歌提取数据，采集5年的标准普尔指数收益序列，并估计标准 garch(1,1) 和另一个更准确的 GJR-garch（不对称 garch）。

1.    
2.   dat0= as.matrix(getSymbol
3.    
4.   n = NROW
5.    
6.    
7.   plot
8.    
9.    
10.   gjrc <- ugarchspec
11.   gjrmodel = fit
12.    
13.   gjrfit = sigma
14.    
15.   Nit = as.dsigma
16.    
17.   resq = ret^2
18.    
19.   Nsq = Nfit^2
20.    
21.   Tsq = Tfit^2
22.    
23.   plot

具有两种 Garch 模型的 SPY 波动率

1.   #########################
2.    
3.   # mincer-zarnowitz回归
4.   #########################
5.    
6.    
7.    
8.   Nmz = lm
9.   Tmz = lm
10.    
11.    
12.    
13.   linsis
14.    

lineesis

1.   #########################
2.    
3.   #DM检验
4.    
5.   #########################
6.    
7.    
8.    
9.   dmst

 对于平方损失函数，两组预测之间没有区别

1.    
2.   #########################
3.    
4.   # Jarque Bera 检验
5.    
6.   #########################
7.    
8.   stanN = scale
9.    
10.   stajr = scale
11.    
12.   scret = scale# 没有波动率模型，只有无条件波动率
13.    
14.   jbtest$stat

rjbtestat

 

rjteststat

 

---

最受欢迎的见解

1.R语言基于ARMA-GARCH-VaR模型拟合和预测实证研究

2.R语言时变参数VAR随机模型

3.R语言估计时变VAR模型时间序列的实证研究

4.R语言基于ARMA-GARCH过程的VAR拟合和预测

5.GARCH（1,1），MA以及历史模拟法的VaR比较

6.R语言用向量自回归（VAR）进行经济数据脉冲响应

7.R语言实现向量自动回归VAR模型

8.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

9.R语言VAR模型的不同类型的脉冲响应分析

标签：DM,预测,模型,检验,#########################,GARCH,VAR
来源： https://www.cnblogs.com/tecdat/p/15971432.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。