R语言分析股票指数的GARCH效应

最新推荐文章于 2023-07-27 17:40:48 发布
最新推荐文章于 2023-07-27 17:40:48 发布
阅读量3.3k 收藏 46
点赞数 5
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43680030/article/details/84033773
版权
本文通过R语言分析上海证券综合指数的GARCH效应，包括计算对数收益率、可视化、统计量、ACF/PACF图、ARCH效应检验及GARCH模型估计。实验表明，上证指数存在波动聚集效应，适合中级R语言用户学习金融计量建模。
摘要由CSDN通过智能技术生成

分享一下我老师大神的人工智能教程！零基础，通俗易懂！http://blog.csdn.net/jiangjunshow

也欢迎大家转载本篇文章。分享知识，造福人民，实现我们中华民族伟大复兴！

               

R语言分析股票指数的GARCH效应

一、实验说明

1.1 实验内容

GARCH模型是对金融数据波动性进行描述的方法，为大量的金融序列提供了有效的分析方法，它是迄今为至最常用的、最便捷的异方差序列拟合模型。本次实验运用R语言利用上海证券综合指数进行GARCH模型的分析，包括计算股票指数的收益率，实现收益率的可视化 ，计算一些基本统计量，绘制股指收益率的ACF和PACF图，检验收益率序列的ARCH效应，估计GARCH模型以及标准化残差分析等。最终通过本次实验检验股票指数的GARCH效应，了解股票市场上的波动聚集效应。

1.2 实验知识点

  • 计算股票收益率
  • 股票指数的可视化
  • 求基本统计量
  • 绘制ACF图和PACF图
  • 检验序列的ARCH效应
  • GARCH模型的拟合
  • GARCH模型的标准化残差分析

1.3 实验环境

  • R version 3.4.1
  • Xfce终端

1.4 适合人群

本课程难度一般，属于中级级别课程，适合具有一定 R 语言经管背景基础的用户，在巩固 R 语言基础的同时逐渐深入学习用 R 进行金融计量建模，进行金融量化分析。

二、实验原理

GARCH是一种用过去的方差以及其的预测值来预测未来方差的自回归条件异方差时间序列模型。其中异方差指方差随时间变化而变化,即具有异方差性；条件性表示了对过去临近观测信息的依赖；自回归则描述了预测值与过去观测值联系的反馈机制。

GARCH理论模型

该方程可以求出模型的条件期望，投资者投资者在交易中所得到的信息依赖于过去时刻的收益以及过去时刻预期收益和实际收益间的误差；根据该方程也可描述模型的条件方差，它不仅是滞后随机扰动项平方的线性函数也是滞后项条件方差的线性函数，表明了过去时刻的波动对未来价格波动有着正向缓解的影响,从而模拟了波动聚集性。

此处输入图片的描述限制条件是冲击过程{ht}存在有限方差的充分必要条件,其值大小反映了序列波动的持续性,即序列在过去时刻波动的特征在当前时刻被继续波动的程度。

此处输入图片的描述保证了条件方差序列是非负的。

三、实验准备

3.1 获取实验数据

在进行实验之前我们需要现将实验所需的数据下载到实验楼的实验环境中。

$ wget http://labfile.oss.aliyuncs.com/courses/900/000001.csv

下载数据

注：由于本实验需要的 FinTS 这个程辑包从 CRAN 库中被移除了，所以这里需要我们进行离线安装，我们已经将程辑包下载下来上传到了实验平台

此处输入图片的描述

$ wget http://labfile.oss.aliyuncs.com/courses/900/FinTS_0.4-5.tar.gz

此处输入图片的描述

安装程辑包

sudo R CMD INSTALL /home/shiyanlou/FinTS_0.4-5.tar.gz

此处输入图片的描述

3.2 启动 R 并导入数据

sudo R   # 在Xfce中启动 R
data<-read.csv("000001.csv")   #导入上海证券综合指数的数据

此处输入图片的描述

3.3 下载程序包

本次实验所需要用到的 R 包有：tseries、FinTS、timeDate、timeSeries、fBasics

最低0.47元/天 解锁文章
秋天要到了
关注
  • 5
    点赞
  • 踩
  • 46
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析
拓端研究室TRL
01-28 1714
给出了基本统计摘要。在下文中，我们对上述一些相关指标进行了具体评论。在下文中，我们对上面显示的一些相关指标进行了评论。在下文中，我们对一些相关的上述指标进行了具体评论。
R语言多元（多变量）GARCH ：GO-GARCH、BEKK、DCC-GARCH和CCC-GARCH模型和可视化
拓端研究室TRL
12-01 1133
全文链接：http://tecdat.cn/?p=30647从Engle在1982发表自回归条件异方差(ARCH)模型的论文以来，金融时间序列数据的波动性就倍受关注。同时，近几年又出现了研究股票市场的波动传递性（点击文末“阅读原文”获取完整代码数据）。多市场的多维广义自回归条件异方差模型及其在不同条件下的扩展与变形，它们不仅包含了单变量的波动特性，而且很好的描述了不同变量间的相互关系。所以，多维G...
使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
weixin_30413739的博客
09-25 1618
原文链接：http://tecdat.cn/?p=7207 在本文中，我想向您展示如何应用S＆P500美国股票市场指数的交易策略。 通过组合ARIMA和GARCH模型，从长期来看，我们可以大大胜过“买入并持有”方法。 策略概述 该策略在“滚动”的基础上执行： 对于每一天，股票指数的对数收益的前k天的前k天被用作拟合最佳ARIMA和GARCH模型的窗口。 组合模...
R中GARCH模型
12-28
在R中建立GARCH（1,1）模型的代码，帮助大家解决时间序列问题
R语言 garch回归
08-30
variance.model = list(model = "sGARCH", garchOrder = c(1, 1),submodel = NULL, external.regressors = NULL, variance.targeting = FALSE) distribution.model = "norm" ugarchfit(spec, datax, out.sample = 0, solver = "solnp", solver.control = list(),fit.control = list(stationarity = 1, fixed.se = 0, scale = 0)) myspec=ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1, 1), submodel = NULL, external.regressors = NULL, variance.targeting = FALSE), mean.model = list(armaOrder = c(1, 1), include.mean = TRUE, archm = FALSE, archpow = 1, arfima = FALSE, external.regressors = NULL, archex = FALSE), distribution.model = "norm") myfit=ugarchfit(myspec,data=datax,solver="solnp") #rugarch包中模型结果的提取要依靠as.data.frame函数。比如提取模型的拟合值 as.data.frame(myfit,which="fitted") #提取残差序列： as.data.frame(myfit,which=" residuals") #提取方差序列： as.data.frame(myfit,which="sigma") #当然，也可以同时查看所有： as.data.frame(myfit,which=all) #通过plot(myfit)可以对模型结果进行图形诊断： plot(myfit) #如果模型通过检验，可以用ugarchforcast函数对未来进行预测： for<-ugarchforcast(myfit,n.ahead=20) library(zoo) #时间格式预处理 library(xts) #同上 library(timeSeires) #同上 library(urca) #进行单位根检验 library(tseries) #arma模型 library(fUnitRoots) #进行单位根检验 library(FinTS) #调用其中的自回归检验函数 library(fGarch) #GARCH模型 library(nlme) #调用其中的gls函数 library(fArma) #进行拟合和检验
猪肉收益率ARIMA-GARCH_arima_garch_R语言_猪肉价格_ARIMA-GARCH_
09-29
解决这类问题通常需要调整模型参数，或者尝试不同的GARCH变种，如EGARCH（指数GARCH）或TGARCH（Threshold GARCH），它们允许非对称效应，即负面冲击可能比正面冲击产生更大的波动性。 在R中，`rugarch`包提供了...
R语言乘法GARCH模型对高频交易数据进行波动性预测
拓端研究室TRL
06-04 263
原文链接：http://tecdat.cn/?p=22692在过去十年中，人们对高频交易和模型的兴趣成倍增长。虽然我对高频噪音中出现信号的有效性有一些怀疑，但我还是决定使用GARCH模型研究一下收益率的统计模型。与每日和较低频率的收益不同，日内高频数据有某些特殊的特点，使得使用标准的建模方法是无效的。在这篇文章中，我将使用花旗集团2008年1月2日至2008年2月29日期间的1分钟收益率。这个数据...
使用r语言做garch模型_使用GARCH估计货币波动率
weixin_26746401的博客
08-22 8430
使用r语言做garch模型Asset prices have a high degree of stochastic trends inherent in the time series. In other words, price fluctuations are subject to a large degree of randomness, and therefore it is very ...
R语言从数据库中导入股票数据，并进行分析
11-27
#####################################查看股票数据################################ install.packages("quantmod") library(xts) library(zoo) library(TTR) library(quantmod) #########################################################雅虎########################### getSymbols("000002.SZ",scr="yahoo",from="2015-01-04",to="2015-12-18") data.new<-to.weekly(`000002.SZ`) data.raw<-`000002.SZ`
Igarch模型
03-01
金融时间序列Igarch模型代码。
【R语言】GARCH模型的应用
热门推荐
Statistics and Code
08-13 3万+
一、数据来源   沪深300指数，是由沪深证券交易所于 2005 年 4 月 8 日联合发布的反映沪深 300 指数编制目标和运行状况的金融指标，并能够作为投资业绩的评价标准，为指数化投资和指数衍生产品创新提供基础条件。因此，本次数据来源于网易财经，研究的数据集对象是沪深 300 指数（股票代码为000300），此次分析选取了沪深 300 指数2000 年1月到2019年12月的工作日收盘价格数据。 二、数据分析 （一）时序图   为了分析数据的波动情况，对其进行对数化和差分得到对数收益率，下图为 沪深 3
R语言GARCH模型对股市sp500收益率bootstrap、滚动估计预测VaR、拟合诊断和蒙特卡罗模拟可视化
大数据部落
04-19 1271
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力学，例如阈值模型来捕捉新闻影响的不对称性，以及除正态之外的分布来解释实践中观察到的偏度和过度峰度。在进一步的扩展中， 本文旨在为单变量 GARC
ARCH，GARCH模型简介及R语言实现
m0_69490017的博客
07-27 7038
本文分别基于正态扰动和t扰动对于微软股价收益率采用ARCH和GARCH建模，最后进行模型的选择
R语言基于ARMA-GARCH-VaR模型拟合和预测实证研究分析案例
拓端研究室TRL
10-23 1995
本文显示了如何基于潜在的ARMA-GARCH模型（当然也涉及更广泛意义上的QRM）来拟合和预测风险价值（VaR）。这里不能使用，因此我们必须手动构建VaR）并计算VaR _alpha的bootstrap置信区间。我们考虑使用t 分布的ARMA（1,1）-GARCH（1,1）过程。请注意，我们也可以在这里使用基于GPD的估算模型。作为一个完整性检查，让我们绘制模拟序列，条件标准偏差和残差。模拟序列，估计每个模拟路径的VaR（注意。模拟一个序列（用于说明目的）。让我们回测VaR的估计。最后，我们显示所有结果。
EVIEWS：ARCH类、GARCH、EGARCH，建模估计沪深300指数2019-2020年交易日的波动率，并对结果进行分析。
weixin_50920119的博客
04-13 2万+
标题选择两个ARCH类模型，建模估计沪深300指数2019-2020年交易日的波动率，并对结果进行分析。 以下都是通过Eviews软件对ARCH、GARCH、EGARCH进行操作，代码量较少（‘点点点就可以’） 一、实验内容 自回归条件异方差检验和广义自回归条件异方差检验 选择两个ARCH类模型，建模估计沪深300指数2019-2020年交易日的波动率，并对结果进行分析。 1、数据收集 选取了沪深300中2019年1月2日-2020年12月31日共计487个日收益率数据。 数据来源：锐思数据库 二、实验方
R语言基于ARMA-GARCH-VaR模型拟合和预
拓端研究室TRL
11-11 330
原文链接：http://tecdat.cn/?p=3186本文显示了如何基于潜在的ARMA-GARCH过程（当然也涉及更广泛意义上的QRM）来拟合和预测风险价值（VaR）。1从ARMA-GARCH进程模拟（log-return）数据我们考虑使用t 分布的ARMA（1,1）-GARCH（1,1）过程。模拟一条路径（用于说明目的）。nu <- 3 fixed.p <- list(mu =...
拓端tecdat|R语言时间序列GARCH模型分析股市波动率
大数据部落
04-29 3917
原文链接：http://tecdat.cn/?p=22360 在这篇文章中，我们将学习一种在价格序列中建立波动性模型的标准方法，即广义自回归条件异方差（GARCH）模型。 价格波动的 GARCH 模型的思想是利用误差结构的近期实现来预测误差结构的未来实现。更简单地说，我们经常看到在高波动性或低波动性时期的聚类，因此我们可以利用近期的波动性来预测近期的波动性。 我们将使用SPY价格来说明波动率的模型。下面的图显示了SPY收益率。 colnames(SPYRet) <- c('SPY..
实时计算：Apache Flink：Flink与Kafka集成实现事件驱动架构.docx
最新发布
09-02
实时计算：Apache Flink：Flink与Kafka集成实现事件驱动架构.docx
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值