r语言预测波动率的实现:ARCH模型与HAR-RV模型

本博客探讨了波动率的聚类、长记忆特性,对比了基于GARCH、HAR-RV和ARFIMA模型在预测波动率上的表现。结果显示,ARFIMA-RV模型结合了长记忆和实现波动率,提供了最准确的预测。通过MSE评估,HAR-RV和ARFIMA模型优于GARCH模型。
摘要由CSDN通过智能技术生成

波动率是众多定价和风险模型中的关键参数,例如BS定价方法或VaR的计算。在这个模型中,或者说在教科书中,这些模型中的波动率通常被认为是一个常数。然而,情况并非如此,根据学术研究,波动率是具有聚类,肥尾和长记忆特征的时间序列变量。

本博客比较了GARCH模型(描述波动率聚类),ARFIMA模型(描述长记忆),HAR-RV模型(基于高频数据和异构市场假设),以及来自SSE 50指数和CME利率期货的样本。

 

此外,本文使用滚动时间窗预测方法来计算预测波动率并构建指数以评估模型的准确性。结果表明,基于长记忆和实现波动率的ARFIMA-RV模型是最准确的模型。

 

1.基于GARCH的模型

     - 描述波动率聚类

为了模拟异方差性,GARCH采用以下过程:

1

为了反映金融市场的不对称性,学者们提出了EGARCH,TGARCH或APARCH(非对称权力自回归条件异方差),其中APARCH更为一般。

2

我们从在R中拟合APARCH开始:

 

1.JPG

可以看出ARCH效应是显而易见的

  • 3
    点赞
  • 25
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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