金融时间序列及Matlab实现

 

数据处理一共可以分为三个方面，一是数据的回归分类，而是时间序列数据，三是网络型数据处理。本文将要来讨论一下时间序列的应用。

一．ARMA 模型

Arma是用来讨论时间序列里面回报率的情况，假设t时刻的回报率与t时刻之前的回报率有关。同时，也与之前的误差有关。

 

 

这模型就是AR模型和MA模型的结合，非常好理解。我们在matlab中画出序列的ACF图和PACF图来找出具有相关性的时间节点。

（以ANZ公司为例）

 

 

 

超出两条线的部分就是具有相关性的部分，我们在这里就取ARMA（1,1）然后我们做一个LB test，为的是确定之前的return确实与t时刻具有相关性。

求出ARMA的表达式即可。

 

 

 

Matlab 实现：

% Plot  series and ACF

figure;subplot(3,1,1);plot(ret_is(:,1));title('ANZ returns');xlim([0,length(ret_is)]);

subplot(3,1,2);autocorr(ret_is(:,1), 25);subplot(3,1,3);parcorr(ret_is(:,1), 20)

% LB test for AR effects on ANZ

[H5, pval5, Qs5, CV5] = lbqtest(ret_is(:,1), 5, 0.05);

[H10, pval10, Qs10, CV10] = lbqtest(ret_is(:,1), 10, 0.05);

[pval5 pval10]

% I choose ARMA(1,1) for ANZ, now fit it and forecast

Mdl=arima(1,0,1);

[EstMdl,EstParamCov,logL,info] = estimate(Mdl,ret_is(:,1));

[ret_f7(1), FMSE] = forecast(EstMdl,1,'Y0',ret_is(:,1));% 1-period forecasts

 

 

二．ARCH 模型

Arch模型与之前其他模型最大的不同是他是用来预测方差的。

 

 

关于阿尔法的取值，是由SIC和AIC来决定的。

 

 

SIC或AIC计算出最小的误差值的点，因此这里可以取阿尔法等于7。

同理，以ANZ为例计算出表达式出来:

 

 

 

 

算出计算结果后，我们要做两个验证。因为这个模型建立在一个假设条件上，即残差是iid和服从正态分布的（若不是正态分布就要服从t分布）。因此，我们要做两个test，一个是LB test.

LB test 用来检验残差是否服从iid  (H0:p1=p2=p3=^=Pn=0   H1:至少有一个不等于0)， 当p-value 越大，说明原假设成立，这说明是iid的。

JB test 用来检测残差是否服从正态性（H0：是正态分布的 H1：不是）当P-value越大越好，说明原假设成立，是正态分布的。

 

而当我们选取残差是t分布的时候，最后做检验的时候也是将残差的分布转化为正态分布来做检验。

 

 

 

Matlab的实现：

LLF=0;aic1=0;sic1=0;b=0.05

for p=1:20

  Mdl = garch(0,p);Mdl.Offset=NaN;

 [EstMdl,EstParamCov,logL,info] = estimate(Mdl,ANZ,'display','off');

 % Adding 'display','off' to the previous command suppresses the estimation

 % results from appearing in the output

 aic1(p)=-2*logL+2*p;sic1(p)=-2*logL+log(length(ANZ))*p;

end

figure;plot(aic1,'b+-');title('AIC & SIC for ARCH models');hold on;plot(sic1,'r+-');

legend('AIC','SIC');

 

% Fit ARCH(7) model

Mdl = garch(0,7);Mdl.Offset=NaN;

EstMdl = estimate(Mdl,ANZ);

v7=infer(EstMdl,ANZ);s7=sqrt(v7); %infer the conditional variance and calculate standard deviations

a7 = ANZ-EstMdl.Offset;             %calculate innovations

 

% Plot the innovations, conditional standard deviations and log returns

% above one another

figure;

subplot(3,1,1);

plot(ANZdates(2:end,1),a7);

%xlim([ANZdates(2) ANZdates(end)]);              % set range of x-axis

title('ARCH(7) Innovations')

 

subplot(3,1,2);

plot(ANZdates(2:end,1),s7);

ylim([0,0.05]);

%xlim([BHPdates(2) BHPdates(end)]);              % set range of x-axis

title('ARCH(7) Conditional Standard Deviations')

 

subplot(3,1,3);

plot(ANZdates(2:end,1),ANZ);

%xlim([BHPdates(2) BHPdates(end)]);              % set range of x-axis

title('ANZ Log Returns')

 

figure;plot(ANZdates(2:end,1),ANZ,'c');hold on;

plot(ANZdates(2:end,1),s7)

%xlim([BHPdates(2) BHPdates(end)]);              % set range of x-axis

title('Log Returns and ARCH(7) Conditional Standard Deviations')

legend('ANZ returns', 'conditional standard deviations','location','South','Orientation','horizontal' );

 

a1A=EstMdl.ARCH; % stores the 15 ARCH coefficients for later use

 

%% Q1(b) Assess the fit of the ARCH model

e7=a7./s7;

figure;subplot(2,1,1);plot(ANZdates(2:end,1),e7);

title('ARCH(7) Standardised Residuals');

subplot(2,1,2);autocorr(e7);

title('ACF of ARCH(7) Standardised Residuals');

figure;subplot(2,1,1);hist(e7,25)

title('Histogram of ARCH(7) Standardised Residuals');

subplot(2,1,2);qqplot(e7);

title('QQ plot ARCH(7) Standardised Residuals');

figure;autocorr(e7.^2);

title('ACF of  ARCH(7) Squared Standardised Residuals');

 

% LB test on standardised residuals

[H, pValue, Qstat, CriticalValue] = lbqtest(e7, [20 25], 0.05, [13 18])

%LB test on squared standardised residuals

[H, pValue, Qstat, CriticalValue] = lbqtest(e7.^2, [20 25], 0.05, [13 18])

 

% JB test

[skewness(e7) kurtosis(e7)]

[h,p] = jbtest(e7)

 

 

三． GARCH 模型

 

 

类似于ARCH 模型，但是方差多加了一项，即t时刻之前的方差影响。

同理，先由sic和aic来确定P，q的值，然后开始建模和检验。