R语言GARCH-DCC模型和DCC（MVT）建模估计

原文链接：http://tecdat.cn/?p=7194

 

这个简短的演示说明了使用rmgarch软件包的DCC模型及其方法的使用，尤其是在存在MVT分布形状参数的情况下进行2级DCC估计的另一种方法。

第一阶段并将其传递给dccfit

 cl = makePSOCKcluster(10)

multf = multifit(uspec, Dat, cluster = cl)

 

接下来，估计DCC模型。

 

1 2 3 4

fit1 = dccfit(spec1, data = Dat, fit.control = list(eval.se = TRUE), fit = multf, cluster = cl)

为了在实践中适应DCC（MVT）模型，要么假定第一阶段的QML，要么必须在阶段中共同估算共同的形状参数。在下面的示例中，一种替代方法用于近似通用形状参数。

 

似然度和形状变化的图表明，只需几次迭代即可收敛到稳定值。

​

shape参数的值表示峰度为1.06。对非对称DCC（MVT）模型重复进行该练习。

xspec = ugarchspec(mean.model = list(armaOrder = c(1,1)), variance.model = list(garchOrder = c(1,1), model = "eGARCH"),  distribution.model = "norm")

 

 

下表显示了估算模型的摘要，系数旁边的星号表示显着性水平（*** 1％，** 5％，* 10％）。

## DCC-MVN aDCC-MVN DCC-MVL aDCC-MVL DCC-MVT aDCC-MVT
## a 0.00784 *** 0.00639 *** 0.00618 *** 0.0055 *** 0.00665 *** 0.00623 ***
## b 0.97119 *** 0.96956 *** 0.97624 *** 0.97468 *** 0.97841 *** 0.97784 ***
## g 0.00439 0.00237 0.00134
##形状9.63947 *** 9.72587 ***
## LogLik 22812 22814 22858 22859 23188 23188

下图表说明了来自不同模型的一些动态相关性：

​

 

终止集群对象：

 

 

1	stopCluster(cl)

 

 

 如果您有任何疑问，请在下面发表评论。 

​

  

大数据部落 -中国专业的第三方数据服务提供商，提供定制化的一站式数据挖掘和统计分析咨询服务

统计分析和数据挖掘咨询服务：y0.cn/teradat（咨询服务请联系官网客服）

​QQ：3025393450

 

​QQ交流群：186388004 

【服务场景】  

科研项目; 公司项目外包;线上线下一对一培训;数据爬虫采集;学术研究;报告撰写;市场调查。

【大数据部落】提供定制化的一站式数据挖掘和统计分析咨询

欢迎选修我们的R语言数据分析挖掘必知必会课程！

 

转载于:https://www.cnblogs.com/tecdat/p/11583303.html