原文链接：http://tecdat.cn/?p=26897
原文出处：拓端数据部落公众号
视频：风险价值VaR原理与Python蒙特卡罗Monte Carlo模拟计算投资组合实例
风险价值VaR原理与Python蒙特卡罗Monte Carlo模拟计算投资组合实例
，时长10:03
风险价值 (VaR)
- 风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量，也被投资组合经理等从业者用来解释未来市场风险。VaR 可以定义为资产在给定时间段内以概率 θ 超过的市场价值损失。对于收益率 rt 的时间序列，VaRt将是这样的
其中 It-1表示时间 t-1 的信息集。
- 尽管 VaR 在提供资产组合下行风险的简单总结时具有吸引人的简单性，但没有单一的计算方法。
1% 风险价值
- 将价格转换为收益
- library(ggplot2)
- # 计算收益率的正态密度
- # 价格与收益的关系
- bp2 = Close
- # 转换收益率
- bret = dailyReturn
- # 改变列名
- colnames(data_rd) = c("x", "y")
- # 正态分位数
- vr1 = quantile
- ggplot(data, aes(x = x, y = y))
图 ：1% VaR
- 在分布术语中，对于分布 F，VaR 可以定义为它的第 p 个分位数，由下式给出
其中 F−1是分布函数的倒数，也称为分位数函数。因此，一旦可以定义收益序列的分布，VaR 就很容易计算。
使用 GARCH 进行波动率建模和预测
-
广义自回归条件异方差 (GARCH) 模型 ，用于预测条件波动率的最流行的时间序列模型。
-
这些模型是条件异方差的，因为它们考虑了时间序列中的条件方差。GARCH 模型是在金融风险建模和管理中用于预测 VaR 和条件 VaR 等金融风险度量的最广泛使用的模型之一。
-
GARCH 模型是 ARCH 模型的广义版本。具有旨在捕获波动率聚类的 p 滞后项的标准 ARCH(p) 过程可以编写如下
其中，第 t 天的收益为 Yt=σtZt和 Zt∼iid(0,1)，即收益的创新是由随机冲击驱动的
- GARCH(p,q) 模型在 ARCH(p) 模型中包含滞后波动率，以纳入历史收益的影响
- GARCH(1,1) 每个阶数只使用一个滞后，是实证研究和分析中最常用的版本。
GARCH(1,1) 预测 VaR
-
其中最通用和最有能力的一种是 rugarch 包。在这里，我们使用数据集来演示使用 rugarch 包中可用的函数和方法对 GARCH 进行建模。
-
具有恒定均值方程的 GARCH(1,1) 模型 可以指定如下：
- ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1,
- 1)), mean.model = list(armaOrder = c(0, 0)))
- 上面存储的规范
garch_spec现在可用于将 GARCH(1,1) 模型拟合到我们的数据。以下代码使用该函数将 GARCH(1,1) 模型拟合到 BHP 对数收益并显示结果。
- 使用对象类可用的各种方法获得选定的拟合统计量
- par1 = par() #保存图形参数
- #使用哪个参数生成图形 图12 1. ACF的
- # 标准化残差
- plot(figarch, which = 10)
- # 2. 条件SD
- plot(fiarch, which = 3)
图 ：GARCH(1,1) 的两个信息图
使用样本外的 VaR 预测
- 让我们使用 Student-t 分布，因为收益并不总是遵循正态分布
- # 学生-T分布的spec2
- spc2 = ugarchspec
- rugarch 包对于估计移动窗口模型和预测 VaR 具有非常有用的功能。
garchroll(spec2, data = bpret- 我们可以使用以下例程绘制 1% 和 5% VaR 预测与实际收益的对比。
- # 注意绘图方法提供了四张图，其中VaR为选项-4
- # 预测1%的学生-t GARCH风险值
- plot(v.t, which = 4, VRaha = 0.01)
- # 5%学生-t GARCH风险值
- plot(var.t, which = 4, Vaalha = 0.05)
图：实际收益率与 1% VaR 预测
- 最后获得回测
- # VaR预测的回测
- report(va., VaRha = 0.05) #α的默认值是0.01
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：风险,预测,模型,回测,1%,GARCH,VaR 来源： https://www.cnblogs.com/tecdat/p/16372305.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。