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
原文链接：http://tecdat.cn/?p=26271 原文出处：拓端数据部落公众号 介绍 Box 等人的开创性工作(1994) 在自回归移动平均模型领域的相关工作为波动率建模领域的相关工作铺平了道路，分别由 Engle (1982) 和 Bollerslev (1986) 引入了 ARCH 和 GARCH 模型。这些模型的扩展包括更复杂的动
原文链接：http://tecdat.cn/?p=25770 原文出处：拓端数据部落公众号 在本文中，我们展示了 copula GARCH 方法拟合模拟数据和股票数据并进行可视化。 r还提供了一个特殊情况（具有正态或学生 t残差）。 一、如何在R中对股票x和y的收益率拟合copula模型 数据集 为了这个例子的目的，我使用
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
原文链接：http://tecdat.cn/?p=25165 原文出处：拓端数据部落公众号 这篇文章介绍了一类离散随机波动率模型，并介绍了一些特殊情况，包括 GARCH 和 ARCH 模型。本文展示了如何模拟这些过程以及参数估计。本文为这些实验编写的 Python 代码在文章末尾引用。 离散随机波动率模型 是一个
编写本程序是为了方便初学计量的朋友快速实现用DCC-GARCH模型对研究市场间波动率的关系的建模过程； 代码程序链接：https://bbs.pinggu.org/thread-10839398-1-1.html 但不能保证一定能适配你的数据或者研究主题，请谨慎考虑后使用。因使用本程序而产生的一切后果由使用者承担； 如
原文链接：http://tecdat.cn/?p=24211 原文出处：拓端数据部落公众号 描述 使用 garch 指定一个单变量GARCH（广义自回归条件异方差）模型。 garch 模型的关键参数包括： GARCH 多项式，由滞后条件方差组成。阶数用P表示 。 ARCH多项式，由滞后平方组成。阶数用Q表示 。 P 和 Q
原文链接：https://www.lianxh.cn/news/547c05d012a2d.html 目录 1. GARCH 模型介绍2. DCC-MGARCH 基本原理3. 软件实现 3.1 R 语言命令3.2 Stata 命令4. DCC-MGARCH 模型的应用5. 参考文献 1. GARCH 模型介绍 简单地说，多元 GARCH 指的是多个时间序列之间各自波动的交互影响，这里
原文链接：http://tecdat.cn/?p=23115 原文出处：拓端数据部落公众号 在这个文章中，我们演示了copula GARCH方法（一般情况下）。 1 模拟数据 首先，我们模拟一下创新分布。我们选择了一个小的样本量。理想情况下，样本量应该更大，更容易发现GARCH效应。 ## 模拟创新 d <- 2 #
R语言实例链接：http://tecdat.cn/?p=17494 实际处理中，发现金融数据存在尖峰厚尾现象。所以我们选择扰动项服从 t 分布的 t-GARCH 模型来描述波动性过程。t-GARCH(1,1)模型的表达式如下： 模型的参数向量记为 ( , , , ) v ,则模型参数的似然函数可写为： 假定 2 0 是常数，此时
原文链接：http://tecdat.cn/?p=4241 状态转换模型，尤其是马尔可夫转换（MS）模型，被认为是识别时间序列非线性的不错的方法。 估计非线性时间序列的方法是将MS模型与自回归移动平均 - 广义自回归条件异方差（ARMA - GARCH）模型相结合，但给参数估计的计算带来了困难。 我们建立了完整的MS-
原文链接：http://tecdat.cn/?p=3889 此示例显示如何估计条件均值和方差模型。 加载数据并指定模型 加载NASDAQ数据 。为了使数值平稳，将数据转换为收益率。建立AR（1）和GARCH（1,1）模型。 load Data_EquityIdx nasdaq = DataTable.NASDAQ; r = 100*price2ret(nasdaq); T = length
原文链接：http://tecdat.cn/?p=2841 此示例显示MATLAB如何从条件均值和方差模型预测。 步骤1加载数据并拟合模型 加载工具箱附带的纳斯达克数据。将条件均值和方差模型拟合到数据中。 nasdaq = DataTable.NASDAQ; r = price2ret(nasdaq); N = length(r); fit = estimate(mode
原文链接：http://tecdat.cn/?p=18860 简介 时间序列分析是统计学中的一个主要分支，主要侧重于分析数据集以研究数据的特征并提取有意义的统计信息来预测序列的未来值。时序分析有两种方法，即频域和时域。前者主要基于傅立叶变换，而后者则研究序列的自相关，并且使用Box-Jenkins和ARC
原文链接：http://tecdat.cn/?p=18310 为了找出影响价格波动的主要因素，我们使用逐步回归法来剔除一些对于应变量即价格影响很小的自变量剔除出我们的模型，我们分别把WTI Price Field 等自变量的名称改为x1，x2……，最后的突发事件需要用到哑变量，哑变量只需要2个即可，我们将其作为X49
原文链接：http://tecdat.cn/?p=20015 本文将说明单变量和多变量金融时间序列的不同模型，特别是条件均值和条件协方差矩阵、波动率的模型。 均值模型 本节探讨条件均值模型。 iid模型 我们从简单的iid模型开始。iid模型假定对数收益率xt为N维高斯时间序列： 均值和协方差矩阵的样
原文链接：http://tecdat.cn/?p=19469 本文将分析工业指数（DJIA）。工业指数（DIJA）是一个股市指数，表明30家大型上市公司的价值。工业指数（DIJA）的价值基于每个组成公司的每股股票价格之和。 本文将尝试回答的主要问题是： 这些年来收益率和交易量如何变化？ 这些年来，收益率和交易量的波动
原文链接：http://tecdat.cn/?p=19118 本文分析将用于制定管理客户和供应商关系的策略准则。假设： 贵公司拥有用于生产和分销聚戊二酸的设施，聚戊二酸是一种用于多个行业的化合物。 制造和分销过程的投入包括各种石油产品和天然气。价格波动可能非常不稳定。 营运资金管理一直是一
文章主要是总结一学期所学，完成的基于 ARIMA-GARCH 模型人名币汇率分析与预测。为了防止抄袭搬运，文章中不附带代码、摘要、数据。 如有需要完整论文及代码数据便于参考学习可评论、私信。 主要流程如下 文章目录 第一章 绪论1.1研究的背景1.2 研究的目的和意义1.3论文的
原文链接：http://tecdat.cn/?p=20015 本文将说明单变量和多变量金融时间序列的不同模型，特别是条件均值和条件协方差矩阵、波动率的模型。 均值模型 本节探讨条件均值模型。 iid模型 我们从简单的iid模型开始。iid模型假定对数收益率xt为N维高斯时间序列： 均值和协方差矩阵的样
原文链接：http://tecdat.cn/?p=20015 本文将说明单变量和多变量金融时间序列的不同模型，特别是条件均值和条件协方差矩阵、波动率的模型。 均值模型 本节探讨条件均值模型。 iid模型 我们从简单的iid模型开始。iid模型假定对数收益率xt为N维高斯时间序列： 均值和协方差矩阵的
原文链接：http://tecdat.cn/?p=18310 为了找出影响价格波动的主要因素，我们使用逐步回归法来剔除一些对于应变量即价格影响很小的自变量剔除出我们的模型，我们分别把WTI Price Field 等自变量的名称改为x1，x2……，最后的突发事件需要用到哑变量，哑变量只需要2个即可，我们将其作为X49
为了找出影响价格波动的主要因素，我们使用逐步回归法来剔除一些对于应变量即价格影响很小的自变量剔除出我们的模型我们分别把WTI Price Field Production of Crude Oil (Thousand Barrels) 等自变量的名称改为x1，x2……最后的突发事件需要用到哑变量，哑变量只需要2个即可，我们将其
本文是课程《数据科学与金融计算》第6章的学习笔记，主要介绍GARCH类、SV类模型和高频波动模型，用于知识点总结和代码练习，Q&A为问题及解决方案。 往期回顾： 博文内容【R】【课程笔记】01 R软件基础知识数据类型、数据结构、运算、绘图等【R】【课程笔记】02+03 基于R软件的计算聚
