R语言做滚动garch模型rollgarchmodel

R语言做滚动garch模型 roll-garch model

前几天帮人做了一个滚动garch模型，刚开始那个人没搞清楚，走了很多弯路，最后终于搞好了，主要就是没有有效的沟通好。
接下来就是分析我写roll-garch的思路。

其实roll-garch模型在rugarch里面其实是有的。但是，我也看了开发者写的文档，如果你希望更快，更复杂的滚动garach模型，你就要自己写函数。我的天，我哪里会，其实我连garch模型都没搞懂，但是我会代码。

和客户交流搞懂了，他想要的滚动garch是什么样子的：

用第1天到第100天真实数据预测第101天数据。

用第2天到第101天真实数据预测第102天数据。

用第3天到第102天真实数据预测第103天数据。

……

以此类推，他就是窗口为100，预测这个窗口下一天的sigma和series。后来想了一下这不是很简单么。

思路

就是选择1-100真实数据然后预测1期的，选择2-201真实数据预测1期的…………。
说干就干。

library(rugarch) 
library(tseries)  
library(zoo) 
library(readxl)
library(quantmod)


raw_data <- read_xlsx('沪深300交易日收益率.xlsx') 
time<-as.Date(raw_data$'date',format="%Y/%m/%d")  
return<-raw_data$'return'  
data<-zoo(return,time)  
chartSeries(data)

前面几个是加载包，然后读取数据，改一下数据的时间格式，将数据设置为zoo类型的数据，然后把或者数据画出来。

接下来就是一个函数，这个函数只要给定一个连续的100个，然后就可以吐出下一天的sigma和series。

my_series_sigma <- function(i) {
  library(rugarch)
  data_temp <- data[(i):(99 i)]
  ug_spec <- ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1, 1)), #这个是必须要加
                        mean.model = list(armaOrder = c(0, 1)), #这个不要随便改，不然有错误
                        distribution.model = "std")
  ugfit <- ugarchfit(ug_spec, data = data_temp)
  fit_temp <- ugarchforecast(ugfit, data = data_temp, n.ahead = 1)
  
  temp_data <- data.frame(t(fit_temp@forecast[["sigmaFor"]]),t(fit_temp@forecast[["seriesFor"]]))
  colnames(temp_data) <- c("sigma", 'series')
  return(temp_data)
}

上面代码什么意思？？
一行一行解释：
library(rugarch)这个虽然已经加载过了，但是我想用并行运算（用for多没面子哇）。并行运算下面各个子群对这个原始的环境里面加载的包是不继承的。所以必须在环境里面重新加载。data_temp <- data[(i):(99 i)]这句话是说，截取data这个数据的第i到i 99个赋值给data_temp，其实如果上过大学都知道，这个长度刚好是100。ug_spec <- ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1, 1)), #这个是必须要加 mean.model = list(armaOrder = c(0, 1)), #这个不要随便改，不然有错误 distribution.model = "std")。这个里面不要介绍了，这都不知道，还咋用garch。
variance.model = list(model = "sGARCH", garchOrder = c(1, 1)一般这个都这样设置。mean.model = list(armaOrder = c(0, 1))这个之所以是这样设置，是根据你数据的arima来的，在做之前还要做很多检验。
distribution.model = "std"这个也都是这样设置的，具体啥原因，我也不知道。ugfit <- ugarchfit(ug_spec, data = data_temp)这步是拟合模型，fit_temp <- ugarchforecast(ugfit, data = data_temp, n.ahead = 1)这步是拟合模型后，预测下一个。
temp_data <- data.frame(t(fit_temp@forecast[["sigmaFor"]]),t(fit_temp@forecast[["seriesFor"]])) colnames(temp_data) <- c("sigma", 'series') return(temp_data)这句话是说提取预测里的sigmaFor变量和seriesFor变量。然后保存为数据框格式。

并行运算

为了加快数据，使用parallel，这样快哇，代码如下：

library(doParallel)


cl <- makeCluster(detectCores())
registerDoParallel(cl) #注册并开始并行计算
result_parallel <- foreach(x=c(1:(2919-100 1)),.combine='rbind') %dopar% my_series_sigma(x)
stopCluster(cl)

write.csv(result_parallel, file = "my_result_sigma_series.csv")

解释一下为什么是2919-100 1，这个其实很简单，因为我这个data就是2919这么长，然后2919-100 1就代表移动这么多次。这个是很简单的计算题啦。

for循环，

有些人可能喜欢for循环：
代码如下：

# 下面这段for循环代码太慢了，用并行计算

# result_1 <- data.frame()
#
# for (i in c(1:(2919-100 1))) {
#
#   data_temp <- data[(i):(99 i)]
#   ug_spec <- ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1, 1)),
#                         mean.model = list(armaOrder = c(0, 1)),
#                         distribution.model = "std")
#   ugfit <- ugarchfit(ug_spec, data = data_temp)
#   fit_temp <- ugarchforecast(ugfit, data = data_temp, n.ahead = 1)
#
#   temp_data <- data.frame(t(fit_temp@forecast[["sigmaFor"]]),t(fit_temp@forecast[["seriesFor"]]))
#   colnames(temp_data) <- c("sigma", 'series')
#   cat(round(i/(2919-100 1), 3), '\t')
#   result_1 <- rbind(result_1, temp_data)
#
# }

github
https://github.com/yuanzhoulvpi2017/plot_data/tree/master/roll_garch