拓端数据tecdat|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 - 走看看

zoukankan html css js c++ java

拓端数据tecdat|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
原文链接：http://tecdat.cn/?p=19469

本文将分析工业指数（DJIA）。工业指数（DIJA）是一个股市指数，表明30家大型上市公司的价值。工业指数（DIJA）的价值基于每个组成公司的每股股票价格之和。

本文将尝试回答的主要问题是：
- 这些年来收益率和交易量如何变化？
- 这些年来，收益率和交易量的波动如何变化？
- 我们如何建模收益率波动？
- 我们如何模拟交易量的波动？
为此，本文按以下内容划分：

第1部分：获取每日和每周对数收益的数据，摘要和图
第2部分：获取每日交易量及其对数比率的数据，摘要和图
第3部分：每日对数收益率分析和GARCH模型定义
第4部分：每日交易量分析和GARCH模型定义



获取数据

利用quantmod软件包中提供的getSymbols（）函数，我们可以获得2007年至2018年底的工业平均指数。
2. getSymbols("^DJI", from = "2007-01-01", to = "2019-01-01")
5. dim(DJI)
7. ## [1] 3020 6
8. class(DJI)
10. ## [1] "xts" "zoo"
让我们看一下DJI xts对象，它提供了六个时间序列，我们可以看到。
2. head(DJI)
4. ## DJI.Open DJI.High DJI.Low DJI.Close DJI.Volume DJI.Adjusted
5. ## 2007-01-03 12459.54 12580.35 12404.82 12474.52 327200000 12474.52
6. ## 2007-01-04 12473.16 12510.41 12403.86 12480.69 259060000 12480.69
7. ## 2007-01-05 12480.05 12480.13 12365.41 12398.01 235220000 12398.01
8. ## 2007-01-08 12392.01 12445.92 12337.37 12423.49 223500000 12423.49
9. ## 2007-01-09 12424.77 12466.43 12369.17 12416.60 225190000 12416.60
10. ## 2007-01-10 12417.00 12451.61 12355.63 12442.16 226570000 12442.16
11. tail(DJI)
13. ## DJI.Open DJI.High DJI.Low DJI.Close DJI.Volume DJI.Adjusted
14. ## 2018-12-21 22871.74 23254.59 22396.34 22445.37 900510000 22445.37
15. ## 2018-12-24 22317.28 22339.87 21792.20 21792.20 308420000 21792.20
16. ## 2018-12-26 21857.73 22878.92 21712.53 22878.45 433080000 22878.45
17. ## 2018-12-27 22629.06 23138.89 22267.42 23138.82 407940000 23138.82
18. ## 2018-12-28 23213.61 23381.88 22981.33 23062.40 336510000 23062.40
19. ## 2018-12-31 23153.94 23333.18 23118.30 23327.46 288830000 23327.46
更准确地说，我们有可用的OHLC（开盘，高，低，收盘）指数值，调整后的收盘价和交易量。在这里，我们可以看到生成的相应图表。

我们在此分析调整后的收盘价。
```
DJI[,"DJI.Adjusted"]
```
简单对数收益率

简单的收益定义为：

对数收益率定义为：

我们计算对数收益率。
```
CalculateReturns(dj_close, method = "log")
```
让我们看看。
2. head(dj_ret)
4. ## DJI.Adjusted
5. ## 2007-01-04 0.0004945580
6. ## 2007-01-05 -0.0066467273
7. ## 2007-01-08 0.0020530973
8. ## 2007-01-09 -0.0005547987
9. ## 2007-01-10 0.0020564627
10. ## 2007-01-11 0.0058356461
11. tail(dj_ret)
13. ## DJI.Adjusted
14. ## 2018-12-21 -0.018286825
15. ## 2018-12-24 -0.029532247
16. ## 2018-12-26 0.048643314
17. ## 2018-12-27 0.011316355
18. ## 2018-12-28 -0.003308137
19. ## 2018-12-31 0.011427645
给出了下面的图。

可以看到波动率的急剧上升和下降。第3部分将对此进行深入验证。

辅助函数

我们需要一些辅助函数来简化一些基本的数据转换，摘要和绘图。

1.从xts转换为带有year and value列的数据框。这样就可以进行年度总结和绘制。
2. df_t <- data.frame(year = factor(year(index(data_xts))), value = coredata(data_xts))
3. colnames(df_t) <- c( "year", "value")
2.摘要统计信息，用于存储为数据框列的数据。
1. rownames(basicStats(rnorm(10,0,1))) # 基本统计数据输出行名称
2. with(dataset, tapply(value, year, basicStats))
3.返回关联的列名。
2. colnames(basicstats[r, which(basicstats[r,] > threshold), drop = FALSE])
4.基于年的面板箱线图。
2. p <- ggplot(data = data, aes(x = year, y = value)) + theme_bw() + theme(legend.position = "none") + geom_boxplot(fill = "blue")
5.密度图，以年份为基准。
2. p <- ggplot(data = data, aes(x = value)) + geom_density(fill = "lightblue")
3. p <- p + facet_wrap(. ~ year)
6.基于年份的QQ图。
2. p <- ggplot(data = dataset, aes(sample = value)) + stat_qq(colour = "blue") + stat_qq_line()
3. p <- p + facet_wrap(. ~ year)
7. Shapiro检验
1. pvalue <- function (v) {
2. shapiro.test(v)$p.value
3. }
每日对数收益率探索性分析

我们将原始的时间序列转换为具有年和值列的数据框。这样可以按年简化绘图和摘要。
2. head(ret_df)
4. ## year value
5. ## 1 2007 0.0004945580
6. ## 2 2007 -0.0066467273
7. ## 3 2007 0.0020530973
8. ## 4 2007 -0.0005547987
9. ## 5 2007 0.0020564627
10. ## 6 2007 0.0058356461
11. tail(ret_df)
13. ## year value
14. ## 3014 2018 -0.018286825
15. ## 3015 2018 -0.029532247
16. ## 3016 2018 0.048643314
17. ## 3017 2018 0.011316355
18. ## 3018 2018 -0.003308137
19. ## 3019 2018 0.011427645
基本统计摘要

给出了基本统计摘要。
3. ## 2007 2008 2009 2010 2011
4. ## nobs 250.000000 253.000000 252.000000 252.000000 252.000000
5. ## NAs 0.000000 0.000000 0.000000 0.000000 0.000000
6. ## Minimum -0.033488 -0.082005 -0.047286 -0.036700 -0.057061
7. ## Maximum 0.025223 0.105083 0.066116 0.038247 0.041533
8. ## 1. Quartile -0.003802 -0.012993 -0.006897 -0.003853 -0.006193
9. ## 3. Quartile 0.005230 0.007843 0.008248 0.004457 0.006531
10. ## Mean 0.000246 -0.001633 0.000684 0.000415 0.000214
11. ## Median 0.001098 -0.000890 0.001082 0.000681 0.000941
12. ## Sum 0.061427 -0.413050 0.172434 0.104565 0.053810
13. ## SE Mean 0.000582 0.001497 0.000960 0.000641 0.000837
14. ## LCL Mean -0.000900 -0.004580 -0.001207 -0.000848 -0.001434
15. ## UCL Mean 0.001391 0.001315 0.002575 0.001678 0.001861
16. ## Variance 0.000085 0.000567 0.000232 0.000104 0.000176
17. ## Stdev 0.009197 0.023808 0.015242 0.010182 0.013283
18. ## Skewness -0.613828 0.224042 0.070840 -0.174816 -0.526083
19. ## Kurtosis 1.525069 3.670796 2.074240 2.055407 2.453822
20. ## 2012 2013 2014 2015 2016
21. ## nobs 250.000000 252.000000 252.000000 252.000000 252.000000
22. ## NAs 0.000000 0.000000 0.000000 0.000000 0.000000
23. ## Minimum -0.023910 -0.023695 -0.020988 -0.036402 -0.034473
24. ## Maximum 0.023376 0.023263 0.023982 0.038755 0.024384
25. ## 1. Quartile -0.003896 -0.002812 -0.002621 -0.005283 -0.002845
26. ## 3. Quartile 0.004924 0.004750 0.004230 0.005801 0.004311
27. ## Mean 0.000280 0.000933 0.000288 -0.000090 0.000500
28. ## Median -0.000122 0.001158 0.000728 -0.000211 0.000738
29. ## Sum 0.070054 0.235068 0.072498 -0.022586 0.125884
30. ## SE Mean 0.000470 0.000403 0.000432 0.000613 0.000501
31. ## LCL Mean -0.000645 0.000139 -0.000564 -0.001298 -0.000487
32. ## UCL Mean 0.001206 0.001727 0.001139 0.001118 0.001486
33. ## Variance 0.000055 0.000041 0.000047 0.000095 0.000063
34. ## Stdev 0.007429 0.006399 0.006861 0.009738 0.007951
35. ## Skewness 0.027235 -0.199407 -0.332766 -0.127788 -0.449311
36. ## Kurtosis 0.842890 1.275821 1.073234 1.394268 2.079671
37. ## 2017 2018
38. ## nobs 251.000000 251.000000
39. ## NAs 0.000000 0.000000
40. ## Minimum -0.017930 -0.047143
41. ## Maximum 0.014468 0.048643
42. ## 1. Quartile -0.001404 -0.005017
43. ## 3. Quartile 0.003054 0.005895
44. ## Mean 0.000892 -0.000231
45. ## Median 0.000655 0.000695
46. ## Sum 0.223790 -0.057950
47. ## SE Mean 0.000263 0.000714
48. ## LCL Mean 0.000373 -0.001637
49. ## UCL Mean 0.001410 0.001175
50. ## Variance 0.000017 0.000128
51. ## Stdev 0.004172 0.011313
52. ## Skewness -0.189808 -0.522618
53. ## Kurtosis 2.244076 2.802996
在下文中，我们对上述一些相关指标进行了具体评论。

平均值

每日对数收益率具有正平均值的年份是：
2. filter_stats(stats, "Mean", 0)
4. ## [1] "2007" "2009" "2010" "2011" "2012" "2013" "2014" "2016" "2017"
按升序排列。
3. ## 2008 2018 2015 2011 2007 2012 2014
4. ## Mean -0.001633 -0.000231 -9e-05 0.000214 0.000246 0.00028 0.000288
5. ## 2010 2016 2009 2017 2013
6. ## Mean 0.000415 5e-04 0.000684 0.000892 0.000933
中位数

正中位数是：
2. filter_stats(dj_stats, "Median", 0)
4. ## [1] "2007" "2009" "2010" "2011" "2013" "2014" "2016" "2017" "2018"
以升序排列。
3. ## 2008 2015 2012 2017 2010 2018 2014
4. ## Median -0.00089 -0.000211 -0.000122 0.000655 0.000681 0.000695 0.000728
5. ## 2016 2011 2009 2007 2013
6. ## Median 0.000738 0.000941 0.001082 0.001098 0.001158
偏度

偏度（Skewness）可以用来度量随机变量概率分布的不对称性。

公式：

其中是均值，是标准差。

几何意义：

偏度的取值范围为(-∞,+∞)

当偏度<0时，概率分布图左偏（也叫负偏分布，其偏度<0）。

当偏度=0时，表示数据相对均匀的分布在平均值两侧，不一定是绝对的对称分布。

当偏度>0时，概率分布图右偏（也叫正偏分布，其偏度>0）。

例如上图中，左图形状左偏，右图形状右偏。

每日对数收益出现正偏的年份是：
3. ## [1] "2008" "2009" "2012"
按升序返回对数偏度。
2. stats["Skewness",order(stats["Skewness",
4. ## 2007 2011 2018 2016 2014 2013
5. ## Skewness -0.613828 -0.526083 -0.522618 -0.449311 -0.332766 -0.199407
6. ## 2017 2010 2015 2012 2009 2008
7. ## Skewness -0.189808 -0.174816 -0.127788 0.027235 0.07084 0.224042
峰度

峰度（Kurtosis）可以用来度量随机变量概率分布的陡峭程度。

公式：

其中是均值，是标准差。

几何意义：

峰度的取值范围为[1,+∞)，完全服从正态分布的数据的峰度值为 3，峰度值越大，概率分布图越高尖，峰度值越小，越矮胖。

例如上图中，左图是标准正太分布，峰度=3，右图的峰度=4，可以看到右图比左图更高尖。

通常我们将峰度值减去3，也被称为超值峰度（Excess Kurtosis），这样正态分布的峰度值等于0，当峰度值>0，则表示该数据分布与正态分布相比较为高尖，当峰度值<0，则表示该数据分布与正态分布相比较为矮胖。

每日对数收益出现超值峰度的年份是：
3. ## [1] "2007" "2008" "2009" "2010" "2011" "2012" "2013" "2014" "2015" "2016"
4. ## [11] "2017" "2018"
按升序返回超值峰度。
3. ## 2012 2014 2013 2015 2007 2010 2009
4. ## Kurtosis 0.84289 1.073234 1.275821 1.394268 1.525069 2.055407 2.07424
5. ## 2016 2017 2011 2018 2008
6. ## Kurtosis 2.079671 2.244076 2.453822 2.802996 3.670796
2018年的峰度最接近2008年。

箱形图

我们可以看到2008年出现了最极端的值。从2009年开始，除了2011年和2015年以外，其他所有值的范围都变窄了。但是，与2017年和2018年相比，产生极端值的趋势明显改善。

密度图
```
densityplot(ret_df)
```
2007年具有显着的负偏。2008年的特点是平坦。2017年的峰值与2018年的平坦度和左偏一致。

shapiro检验
1. shapirot(ret_df)
3. ## result
4. ## 2007 5.989576e-07
5. ## 2008 5.782666e-09
6. ## 2009 1.827967e-05
7. ## 2010 3.897345e-07
8. ## 2011 5.494349e-07
9. ## 2012 1.790685e-02
10. ## 2013 8.102500e-03
11. ## 2014 1.750036e-04
12. ## 2015 5.531137e-03
13. ## 2016 1.511435e-06
14. ## 2017 3.304529e-05
15. ## 2018 1.216327e-07
正常的零假设在2007-2018年的所有年份均被拒绝。

每周对数收益率探索性分析

可以从每日对数收益率开始计算每周对数收益率。让我们假设分析第{t-4，t-3，t-2，t-1，t}天的交易周，并知道第t-5天（前一周的最后一天）的收盘价。我们将每周的对数收益率定义为：

可以写为：

因此，每周对数收益率是应用于交易周窗口的每日对数收益率之和。

我们来看看每周的对数收益率。

该图显示波动率急剧上升和下降。我们将原始时间序列数据转换为数据框。
2. head(weekly_ret_df)
4. ## year value
5. ## 1 2007 -0.0061521694
6. ## 2 2007 0.0126690596
7. ## 3 2007 0.0007523559
8. ## 4 2007 -0.0062677053
9. ## 5 2007 0.0132434177
10. ## 6 2007 -0.0057588519
11. tail(weekly_ret_df)
13. ## year value
14. ## 622 2018 0.05028763
15. ## 623 2018 -0.04605546
16. ## 624 2018 -0.01189714
17. ## 625 2018 -0.07114867
18. ## 626 2018 0.02711928
19. ## 627 2018 0.01142764
基本统计摘要
1. dataframe_basicstats(weekly_ret_df)
3. ## 2007 2008 2009 2010 2011 2012
4. ## nobs 52.000000 52.000000 53.000000 52.000000 52.000000 52.000000
5. ## NAs 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
6. ## Minimum -0.043199 -0.200298 -0.063736 -0.058755 -0.066235 -0.035829
7. ## Maximum 0.030143 0.106977 0.086263 0.051463 0.067788 0.035316
8. ## 1. Quartile -0.009638 -0.031765 -0.015911 -0.007761 -0.015485 -0.010096
9. ## 3. Quartile 0.014808 0.012682 0.022115 0.016971 0.014309 0.011887
10. ## Mean 0.001327 -0.008669 0.003823 0.002011 0.001035 0.001102
11. ## Median 0.004244 -0.006811 0.004633 0.004529 0.001757 0.001166
12. ## Sum 0.069016 -0.450811 0.202605 0.104565 0.053810 0.057303
13. ## SE Mean 0.002613 0.006164 0.004454 0.003031 0.003836 0.002133
14. ## LCL Mean -0.003919 -0.021043 -0.005115 -0.004074 -0.006666 -0.003181
15. ## UCL Mean 0.006573 0.003704 0.012760 0.008096 0.008736 0.005384
16. ## Variance 0.000355 0.001975 0.001051 0.000478 0.000765 0.000237
17. ## Stdev 0.018843 0.044446 0.032424 0.021856 0.027662 0.015382
18. ## Skewness -0.680573 -0.985740 0.121331 -0.601407 -0.076579 -0.027302
19. ## Kurtosis -0.085887 5.446623 -0.033398 0.357708 0.052429 -0.461228
20. ## 2013 2014 2015 2016 2017 2018
21. ## nobs 52.000000 52.000000 53.000000 52.000000 52.000000 53.000000
22. ## NAs 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
23. ## Minimum -0.022556 -0.038482 -0.059991 -0.063897 -0.015317 -0.071149
24. ## Maximum 0.037702 0.034224 0.037693 0.052243 0.028192 0.050288
25. ## 1. Quartile -0.001738 -0.006378 -0.012141 -0.007746 -0.002251 -0.011897
26. ## 3. Quartile 0.011432 0.010244 0.009620 0.012791 0.009891 0.019857
27. ## Mean 0.004651 0.001756 -0.000669 0.002421 0.004304 -0.001093
28. ## Median 0.006360 0.003961 0.000954 0.001947 0.004080 0.001546
29. ## Sum 0.241874 0.091300 -0.035444 0.125884 0.223790 -0.057950
30. ## SE Mean 0.001828 0.002151 0.002609 0.002436 0.001232 0.003592
31. ## LCL Mean 0.000981 -0.002563 -0.005904 -0.002470 0.001830 -0.008302
32. ## UCL Mean 0.008322 0.006075 0.004567 0.007312 0.006778 0.006115
33. ## Variance 0.000174 0.000241 0.000361 0.000309 0.000079 0.000684
34. ## Stdev 0.013185 0.015514 0.018995 0.017568 0.008886 0.026154
35. ## Skewness -0.035175 -0.534403 -0.494963 -0.467158 0.266281 -0.658951
36. ## Kurtosis -0.200282 0.282354 0.665460 2.908942 -0.124341 -0.000870
在下文中，我们对上述一些相关指标进行了具体评论。

平均值

每周对数收益呈正平均值的年份是：
3. ## [1] "2007" "2009" "2010" "2011" "2012" "2013" "2014" "2016" "2017"
所有平均值按升序排列。
3. ## 2008 2018 2015 2011 2012 2007 2014
4. ## Mean -0.008669 -0.001093 -0.000669 0.001035 0.001102 0.001327 0.001756
5. ## 2010 2016 2009 2017 2013
6. ## Mean 0.002011 0.002421 0.003823 0.004304 0.004651
中位数

中位数是：
3. ## [1] "2007" "2009" "2010" "2011" "2012" "2013" "2014" "2015" "2016" "2017"
4. ## [11] "2018"
所有中值按升序排列。
3. ## 2008 2015 2012 2018 2011 2016 2014
4. ## Median -0.006811 0.000954 0.001166 0.001546 0.001757 0.001947 0.003961
5. ## 2017 2007 2010 2009 2013
6. ## Median 0.00408 0.004244 0.004529 0.004633 0.00636
偏度

出现正偏的年份是：
1. stats(stats, "Skewness", 0)
3. ## [1] "2009" "2017"
所有偏度按升序排列。
2. stats["Skewness",order(stats["Skewness",,])]
4. ## 2008 2007 2018 2010 2014 2015
5. ## Skewness -0.98574 -0.680573 -0.658951 -0.601407 -0.534403 -0.494963
6. ## 2016 2011 2013 2012 2009 2017
7. ## Skewness -0.467158 -0.076579 -0.035175 -0.027302 0.121331 0.266281
峰度

出现正峰度的年份是：
2. filter_stats(stats, "Kurtosis", 0)
4. ## [1] "2008" "2010" "2011" "2014" "2015" "2016"
峰度值都按升序排列。
3. ## 2012 2013 2017 2007 2009 2018
4. ## Kurtosis -0.461228 -0.200282 -0.124341 -0.085887 -0.033398 -0.00087
5. ## 2011 2014 2010 2015 2016 2008
6. ## Kurtosis 0.052429 0.282354 0.357708 0.66546 2.908942 5.446623
2008年也是每周峰度最高的年份。但是，在这种情况下，2017年的峰度为负，而2016年的峰度为第二。

箱形图

 密度图

 shapiro检验
2. shapirot(weekly_df)
4. ## result
5. ## 2007 0.0140590311
6. ## 2008 0.0001397267
7. ## 2009 0.8701335006
8. ## 2010 0.0927104389
9. ## 2011 0.8650874270
10. ## 2012 0.9934600084
11. ## 2013 0.4849043121
12. ## 2014 0.1123139646
13. ## 2015 0.3141519756
14. ## 2016 0.0115380989
15. ## 2017 0.9465281164
16. ## 2018 0.0475141869
零假设在2007、2008、2016年被拒绝。

QQ图

在2008年尤其明显地违背正态分布的情况。

交易量探索性分析

在这一部分中，本文将分析道琼斯工业平均指数（DJIA）的交易量。

获取数据

 每日量探索性分析

我们绘制每日交易量。
1. vol <- DJI[,"DJI.Volume"]
2. plot(vol)
值得注意的是，2017年初的水平跃升，我们将在第4部分中进行研究。我们将时间序列数据和时间轴索引转换为数据框。
2. head(dj_vol_df)
4. ## year value
5. ## 1 2007 327200000
6. ## 2 2007 259060000
7. ## 3 2007 235220000
8. ## 4 2007 223500000
9. ## 5 2007 225190000
10. ## 6 2007 226570000
11. tail(dj_vol_df)
13. ## year value
14. ## 3015 2018 900510000
15. ## 3016 2018 308420000
16. ## 3017 2018 433080000
17. ## 3018 2018 407940000
18. ## 3019 2018 336510000
19. ## 3020 2018 288830000
基本统计摘要
2. ## 2007 2008 2009 2010
3. ## nobs 2.510000e+02 2.530000e+02 2.520000e+02 2.520000e+02
4. ## NAs 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
5. ## Minimum 8.640000e+07 6.693000e+07 5.267000e+07 6.840000e+07
6. ## Maximum 4.571500e+08 6.749200e+08 6.729500e+08 4.598900e+08
7. ## 1. Quartile 2.063000e+08 2.132100e+08 1.961850e+08 1.633400e+08
8. ## 3. Quartile 2.727400e+08 3.210100e+08 3.353625e+08 2.219025e+08
9. ## Mean 2.449575e+08 2.767164e+08 2.800537e+08 2.017934e+08
10. ## Median 2.350900e+08 2.569700e+08 2.443200e+08 1.905050e+08
11. ## Sum 6.148432e+10 7.000924e+10 7.057354e+10 5.085193e+10
12. ## SE Mean 3.842261e+06 5.965786e+06 7.289666e+06 3.950031e+06
13. ## LCL Mean 2.373901e+08 2.649672e+08 2.656970e+08 1.940139e+08
14. ## UCL Mean 2.525248e+08 2.884655e+08 2.944104e+08 2.095728e+08
15. ## Variance 3.705505e+15 9.004422e+15 1.339109e+16 3.931891e+15
16. ## Stdev 6.087286e+07 9.489163e+07 1.157199e+08 6.270480e+07
17. ## Skewness 9.422400e-01 1.203283e+00 1.037015e+00 1.452082e+00
18. ## Kurtosis 1.482540e+00 2.064821e+00 6.584810e-01 3.214065e+00
19. ## 2011 2012 2013 2014
20. ## nobs 2.520000e+02 2.500000e+02 2.520000e+02 2.520000e+02
21. ## NAs 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
22. ## Minimum 8.410000e+06 4.771000e+07 3.364000e+07 4.287000e+07
23. ## Maximum 4.799800e+08 4.296100e+08 4.200800e+08 6.554500e+08
24. ## 1. Quartile 1.458775e+08 1.107150e+08 9.488000e+07 7.283000e+07
25. ## 3. Quartile 1.932400e+08 1.421775e+08 1.297575e+08 9.928000e+07
26. ## Mean 1.804133e+08 1.312606e+08 1.184434e+08 9.288516e+07
27. ## Median 1.671250e+08 1.251950e+08 1.109250e+08 8.144500e+07
28. ## Sum 4.546415e+10 3.281515e+10 2.984773e+10 2.340706e+10
29. ## SE Mean 3.897738e+06 2.796503e+06 2.809128e+06 3.282643e+06
30. ## LCL Mean 1.727369e+08 1.257528e+08 1.129109e+08 8.642012e+07
31. ## UCL Mean 1.880897e+08 1.367684e+08 1.239758e+08 9.935019e+07
32. ## Variance 3.828475e+15 1.955108e+15 1.988583e+15 2.715488e+15
33. ## Stdev 6.187468e+07 4.421660e+07 4.459353e+07 5.211034e+07
34. ## Skewness 1.878239e+00 3.454971e+00 3.551752e+00 6.619268e+00
35. ## Kurtosis 5.631080e+00 1.852581e+01 1.900989e+01 5.856136e+01
36. ## 2015 2016 2017 2018
37. ## nobs 2.520000e+02 2.520000e+02 2.510000e+02 2.510000e+02
38. ## NAs 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
39. ## Minimum 4.035000e+07 4.589000e+07 1.186100e+08 1.559400e+08
40. ## Maximum 3.445600e+08 5.734700e+08 6.357400e+08 9.005100e+08
41. ## 1. Quartile 8.775250e+07 8.224250e+07 2.695850e+08 2.819550e+08
42. ## 3. Quartile 1.192150e+08 1.203550e+08 3.389950e+08 4.179200e+08
43. ## Mean 1.093957e+08 1.172089e+08 3.112396e+08 3.593710e+08
44. ## Median 1.021000e+08 9.410500e+07 2.996700e+08 3.414700e+08
45. ## Sum 2.756772e+10 2.953664e+10 7.812114e+10 9.020213e+10
46. ## SE Mean 2.433611e+06 4.331290e+06 4.376432e+06 6.984484e+06
47. ## LCL Mean 1.046028e+08 1.086786e+08 3.026202e+08 3.456151e+08
48. ## UCL Mean 1.141886e+08 1.257392e+08 3.198590e+08 3.731270e+08
49. ## Variance 1.492461e+15 4.727538e+15 4.807442e+15 1.224454e+16
50. ## Stdev 3.863238e+07 6.875709e+07 6.933572e+07 1.106550e+08
51. ## Skewness 3.420032e+00 3.046742e+00 1.478708e+00 1.363823e+00
52. ## Kurtosis 1.612326e+01 1.122161e+01 3.848619e+00 3.277164e+00
在下文中，我们对上面显示的一些相关指标进行了评论。

平均值

每日交易量具有正平均值的年份是：
3. ## [1] "2007" "2008" "2009" "2010" "2011" "2012" "2013" "2014" "2015" "2016"
4. ## [11] "2017" "2018"
所有每日交易量均值按升序排列。
3. ## 2014 2015 2016 2013 2012 2011 2010
4. ## Mean 92885159 109395714 117208889 118443373 131260600 180413294 201793373
5. ## 2007 2008 2009 2017 2018
6. ## Mean 244957450 276716364 280053730 311239602 359371036
中位数

每日交易量中位数为正的年份是：
3. ## [1] "2007" "2008" "2009" "2010" "2011" "2012" "2013" "2014" "2015" "2016"
4. ## [11] "2017" "2018"
所有每日成交量中值均按升序排列。
3. ## 2014 2016 2015 2013 2012 2011 2010
4. ## Median 81445000 94105000 102100000 110925000 125195000 167125000 190505000
5. ## 2007 2009 2008 2017 2018
6. ## Median 235090000 244320000 256970000 299670000 341470000
偏度

每日交易量出现正偏的年份是：
3. ## [1] "2007" "2008" "2009" "2010" "2011" "2012" "2013" "2014" "2015" "2016"
4. ## [11] "2017" "2018"
每日交易量偏度值均按升序排列。
3. ## 2007 2009 2008 2018 2010 2017 2011
4. ## Skewness 0.94224 1.037015 1.203283 1.363823 1.452082 1.478708 1.878239
5. ## 2016 2015 2012 2013 2014
6. ## Skewness 3.046742 3.420032 3.454971 3.551752 6.619268
峰度

有正峰度的年份是：
3. ## [1] "2007" "2008" "2009" "2010" "2011" "2012" "2013" "2014" "2015" "2016"
4. ## [11] "2017" "2018"
按升序排列。
2. ## 2009 2007 2008 2010 2018 2017 2011
3. ## Kurtosis 0.658481 1.48254 2.064821 3.214065 3.277164 3.848619 5.63108
4. ## 2016 2015 2012 2013 2014
5. ## Kurtosis 11.22161 16.12326 18.52581 19.00989 58.56136
箱形图

从2010年开始交易量开始下降，2017年出现了显着增长。2018年的交易量甚至超过了2017年和其他年份。

密度图

 shapiro检验
1. ## result
2. ## 2007 6.608332e-09
3. ## 2008 3.555102e-10
4. ## 2009 1.023147e-10
5. ## 2010 9.890576e-13
6. ## 2011 2.681476e-16
7. ## 2012 1.866544e-20
8. ## 2013 6.906596e-21
9. ## 2014 5.304227e-27
10. ## 2015 2.739912e-21
11. ## 2016 6.640215e-23
12. ## 2017 4.543843e-12
13. ## 2018 9.288371e-11
正态分布的零假设被拒绝。

QQ图

QQplots直观地确认了每日交易量分布的非正态情况。

每日交易量对数比率探索性分析

与对数收益类似，我们可以将交易量对数比率定义为

vt：= ln(Vt/Vt−1)
我们可以通过PerformanceAnalytics包中的CalculateReturns对其进行计算并将其绘制出来。
```
plot(vol_log_ratio)
```
将交易量对数比率时间序列数据和时间轴索引映射到数据框。
1. head(dvol_df)
3. ## year value
4. ## 1 2007 -0.233511910
5. ## 2 2007 -0.096538449
6. ## 3 2007 -0.051109832
7. ## 4 2007 0.007533076
8. ## 5 2007 0.006109458
9. ## 6 2007 0.144221282
10. tail(vol_df)
12. ## year value
13. ## 3014 2018 0.44563907
14. ## 3015 2018 -1.07149878
15. ## 3016 2018 0.33945998
16. ## 3017 2018 -0.05980236
17. ## 3018 2018 -0.19249224
18. ## 3019 2018 -0.15278959
基本统计摘要
2. ## 2007 2008 2009 2010 2011
3. ## nobs 250.000000 253.000000 252.000000 252.000000 252.000000
4. ## NAs 0.000000 0.000000 0.000000 0.000000 0.000000
5. ## Minimum -1.606192 -1.122526 -1.071225 -1.050181 -2.301514
6. ## Maximum 0.775961 0.724762 0.881352 1.041216 2.441882
7. ## 1. Quartile -0.123124 -0.128815 -0.162191 -0.170486 -0.157758
8. ## 3. Quartile 0.130056 0.145512 0.169233 0.179903 0.137108
9. ## Mean -0.002685 0.001203 -0.001973 -0.001550 0.000140
10. ## Median -0.010972 0.002222 -0.031748 -0.004217 -0.012839
11. ## Sum -0.671142 0.304462 -0.497073 -0.390677 0.035162
12. ## SE Mean 0.016984 0.016196 0.017618 0.019318 0.026038
13. ## LCL Mean -0.036135 -0.030693 -0.036670 -0.039596 -0.051141
14. ## UCL Mean 0.030766 0.033100 0.032725 0.036495 0.051420
15. ## Variance 0.072112 0.066364 0.078219 0.094041 0.170850
16. ## Stdev 0.268536 0.257612 0.279677 0.306661 0.413341
17. ## Skewness -0.802037 -0.632586 0.066535 -0.150523 0.407226
18. ## Kurtosis 5.345212 2.616615 1.500979 1.353797 14.554642
19. ## 2012 2013 2014 2015 2016
20. ## nobs 250.000000 252.000000 252.000000 252.000000 252.000000
21. ## NAs 0.000000 0.000000 0.000000 0.000000 0.000000
22. ## Minimum -2.158960 -1.386215 -2.110572 -1.326016 -1.336471
23. ## Maximum 1.292956 1.245202 2.008667 1.130289 1.319713
24. ## 1. Quartile -0.152899 -0.145444 -0.144280 -0.143969 -0.134011
25. ## 3. Quartile 0.144257 0.149787 0.134198 0.150003 0.141287
26. ## Mean 0.001642 -0.002442 0.000200 0.000488 0.004228
27. ## Median -0.000010 -0.004922 0.013460 0.004112 -0.002044
28. ## Sum 0.410521 -0.615419 0.050506 0.123080 1.065480
29. ## SE Mean 0.021293 0.019799 0.023514 0.019010 0.019089
30. ## LCL Mean -0.040295 -0.041435 -0.046110 -0.036952 -0.033367
31. ## UCL Mean 0.043579 0.036551 0.046510 0.037929 0.041823
32. ## Variance 0.113345 0.098784 0.139334 0.091071 0.091826
33. ## Stdev 0.336667 0.314299 0.373274 0.301780 0.303028
34. ## Skewness -0.878227 -0.297951 -0.209417 -0.285918 0.083826
35. ## Kurtosis 8.115847 4.681120 9.850061 4.754926 4.647785
36. ## 2017 2018
37. ## nobs 251.000000 251.000000
38. ## NAs 0.000000 0.000000
39. ## Minimum -0.817978 -1.071499
40. ## Maximum 0.915599 0.926101
41. ## 1. Quartile -0.112190 -0.119086
42. ## 3. Quartile 0.110989 0.112424
43. ## Mean -0.000017 0.000257
44. ## Median -0.006322 0.003987
45. ## Sum -0.004238 0.064605
46. ## SE Mean 0.013446 0.014180
47. ## LCL Mean -0.026500 -0.027671
48. ## UCL Mean 0.026466 0.028185
49. ## Variance 0.045383 0.050471
50. ## Stdev 0.213032 0.224658
51. ## Skewness 0.088511 -0.281007
52. ## Kurtosis 3.411036 4.335748
在下文中，我们对一些相关的上述指标进行了具体评论。

平均值

每日交易量对数比率具有正平均值的年份是：
2. ## [1] "2008" "2011" "2012" "2014" "2015" "2016" "2018"
所有每日成交量比率的平均值均按升序排列。
1. ## 2007 2013 2009 2010 2017 2011 2014
2. ## Mean -0.002685 -0.002442 -0.001973 -0.00155 -1.7e-05 0.00014 2e-04
3. ## 2018 2015 2008 2012 2016
4. ## Mean 0.000257 0.000488 0.001203 0.001642 0.004228
中位数

每日交易量对数比率具有正中位数的年份是：
```
## [1] "2008" "2014" "2015" "2018"
```
道琼斯所有每日成交量比率的中位数均按升序排列。
1. ## 2009 2011 2007 2017 2013 2010
2. ## Median -0.031748 -0.012839 -0.010972 -0.006322 -0.004922 -0.004217
3. ## 2016 2012 2008 2018 2015 2014
4. ## Median -0.002044 -1e-05 0.002222 0.003987 0.004112 0.01346
偏度

每日成交量比率具有正偏的年份是：
```
## [1] "2009" "2011" "2016" "2017"
```
所有每日成交量比率的平均值均按升序排列。
1. ## 2012 2007 2008 2013 2015 2018
2. ## Skewness -0.878227 -0.802037 -0.632586 -0.297951 -0.285918 -0.281007
3. ## 2014 2010 2009 2016 2017 2011
4. ## Skewness -0.209417 -0.150523 0.066535 0.083826 0.088511 0.407226
峰度

有正峰度的年份是：
1. ## [1] "2007" "2008" "2009" "2010" "2011" "2012" "2013" "2014" "2015" "2016"
2. ## [11] "2017" "2018"
均按升序排列。
1. ## 2010 2009 2008 2017 2018 2016 2013
2. ## Kurtosis 1.353797 1.500979 2.616615 3.411036 4.335748 4.647785 4.68112
3. ## 2015 2007 2012 2014 2011
4. ## Kurtosis 4.754926 5.345212 8.115847 9.850061 14.55464
箱形图

可以在2011、2014和2016年发现正的极端值。在2007、2011、2012、2014年可以发现负的极端值。

密度图

 shapiro检验
1. ## result
2. ## 2007 3.695053e-09
3. ## 2008 6.160136e-07
4. ## 2009 2.083475e-04
5. ## 2010 1.500060e-03
6. ## 2011 3.434415e-18
7. ## 2012 8.417627e-12
8. ## 2013 1.165184e-10
9. ## 2014 1.954662e-16
10. ## 2015 5.261037e-11
11. ## 2016 7.144940e-11
12. ## 2017 1.551041e-08
13. ## 2018 3.069196e-09
基于报告的p值，我们可以拒绝所有正态分布的零假设。

QQ图

在所有报告的年份都可以发现偏离正态状态。

对数收益率GARCH模型

我将为工业平均指数（DJIA）的每日对数收益率建立一个ARMA-GARCH模型。

这是工业平均指数每日对数收益的图。
```
plot(ret)
```
离群值检测

Performance Analytics程序包中的Return.clean函数能够清除异常值。在下面，我们将原始时间序列与调整离群值后的进行比较。
```
clean(ret, "boudt")
```
作为对波动率评估的更为保守的方法，本文将以原始时间序列进行分析。

相关图

以下是自相关和偏相关图。
```
acf(ret)
```
```
pacf(dj_ret)
```
上面的相关图表明p和q> 0的一些ARMA（p，q）模型。将在本分析的该范围内对此进行验证。

单位根检验

我们运行Augmented Dickey-Fuller检验。
2. ##
3. ## ###############################################
4. ## # Augmented Dickey-Fuller Test Unit Root Test #
5. ## ###############################################
6. ##
7. ## Test regression none
8. ##
9. ##
10. ## Call:
11. ## lm(formula = z.diff ~ z.lag.1 - 1 + z.diff.lag)
12. ##
13. ## Residuals:
14. ## Min 1Q Median 3Q Max
15. ## -0.081477 -0.004141 0.000762 0.005426 0.098777
16. ##
17. ## Coefficients:
18. ## Estimate Std. Error t value Pr(>|t|)
19. ## z.lag.1 -1.16233 0.02699 -43.058 < 2e-16 ***
20. ## z.diff.lag 0.06325 0.01826 3.464 0.000539 ***
21. ## ---
22. ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
23. ##
24. ## Residual standard error: 0.01157 on 2988 degrees of freedom
25. ## Multiple R-squared: 0.5484, Adjusted R-squared: 0.5481
26. ## F-statistic: 1814 on 2 and 2988 DF, p-value: < 2.2e-16
27. ##
28. ##
29. ## Value of test-statistic is: -43.0578
30. ##
31. ## Critical values for test statistics:
32. ## 1pct 5pct 10pct
33. ## tau1 -2.58 -1.95 -1.62
基于报告的检验统计数据与临界值的比较，我们拒绝单位根存在的零假设。

ARMA模型

现在，我们确定时间序列的ARMA结构，以便对结果残差进行ARCH效应检验。ACF和PACF系数拖尾表明存在ARMA（2,2）。我们利用auto.arima（）函数开始构建。
1. ## Series: ret
2. ## ARIMA(2,0,4) with zero mean
3. ##
4. ## Coefficients:
5. ## ar1 ar2 ma1 ma2 ma3 ma4
6. ## 0.4250 -0.8784 -0.5202 0.8705 -0.0335 -0.0769
7. ## s.e. 0.0376 0.0628 0.0412 0.0672 0.0246 0.0203
8. ##
9. ## sigma^2 estimated as 0.0001322: log likelihood=9201.19
10. ## AIC=-18388.38 AICc=-18388.34 BIC=-18346.29
11. ##
12. ## Training set error measures:
13. ## ME RMSE MAE MPE MAPE MASE
14. ## Training set 0.0002416895 0.01148496 0.007505056 NaN Inf 0.6687536
15. ## ACF1
16. ## Training set -0.002537238
建议使用ARMA（2,4）模型。但是，ma3系数在统计上并不显着，进一步通过以下方法验证：
1. ## z test of coefficients:
2. ##
3. ## Estimate Std. Error z value Pr(>|z|)
4. ## ar1 0.425015 0.037610 11.3007 < 2.2e-16 ***
5. ## ar2 -0.878356 0.062839 -13.9779 < 2.2e-16 ***
6. ## ma1 -0.520173 0.041217 -12.6204 < 2.2e-16 ***
7. ## ma2 0.870457 0.067211 12.9511 < 2.2e-16 ***
8. ## ma3 -0.033527 0.024641 -1.3606 0.1736335
9. ## ma4 -0.076882 0.020273 -3.7923 0.0001492 ***
10. ## ---
11. ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
因此，我们将MA阶q <= 2作为约束。
1. ## Series: dj_ret
2. ## ARIMA(2,0,2) with zero mean
3. ##
4. ## Coefficients:
5. ## ar1 ar2 ma1 ma2
6. ## -0.5143 -0.4364 0.4212 0.3441
7. ## s.e. 0.1461 0.1439 0.1512 0.1532
8. ##
9. ## sigma^2 estimated as 0.0001325: log likelihood=9196.33
10. ## AIC=-18382.66 AICc=-18382.64 BIC=-18352.6
11. ##
12. ## Training set error measures:
13. ## ME RMSE MAE MPE MAPE MASE
14. ## Training set 0.0002287171 0.01150361 0.007501925 Inf Inf 0.6684746
15. ## ACF1
16. ## Training set -0.002414944
现在，所有系数都具有统计意义。
1. ## z test of coefficients:
2. ##
3. ## Estimate Std. Error z value Pr(>|z|)
4. ## ar1 -0.51428 0.14613 -3.5192 0.0004328 ***
5. ## ar2 -0.43640 0.14392 -3.0322 0.0024276 **
6. ## ma1 0.42116 0.15121 2.7853 0.0053485 **
7. ## ma2 0.34414 0.15323 2.2458 0.0247139 *
8. ## ---
9. ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
使用ARMA（2,1）和ARMA（1,2）进行的进一步验证得出的AIC值高于ARMA（2,2）。因此，ARMA（2,2）是更可取的。这是结果。
1. ## Series: dj_ret
2. ## ARIMA(2,0,1) with zero mean
3. ##
4. ## Coefficients:
5. ## ar1 ar2 ma1
6. ## -0.4619 -0.1020 0.3646
7. ## s.e. 0.1439 0.0204 0.1438
8. ##
9. ## sigma^2 estimated as 0.0001327: log likelihood=9194.1
10. ## AIC=-18380.2 AICc=-18380.19 BIC=-18356.15
11. ##
12. ## Training set error measures:
13. ## ME RMSE MAE MPE MAPE MASE
14. ## Training set 0.0002370597 0.01151213 0.007522059 Inf Inf 0.6702687
15. ## ACF1
16. ## Training set 0.0009366271
17. coeftest(auto_model3)
19. ##
20. ## z test of coefficients:
21. ##
22. ## Estimate Std. Error z value Pr(>|z|)
23. ## ar1 -0.461916 0.143880 -3.2104 0.001325 **
24. ## ar2 -0.102012 0.020377 -5.0062 5.552e-07 ***
25. ## ma1 0.364628 0.143818 2.5353 0.011234 *
26. ## ---
27. ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
所有系数均具有统计学意义。
2. ## ARIMA(1,0,2) with zero mean
3. ##
4. ## Coefficients:
5. ## ar1 ma1 ma2
6. ## -0.4207 0.3259 -0.0954
7. ## s.e. 0.1488 0.1481 0.0198
8. ##
9. ## sigma^2 estimated as 0.0001328: log likelihood=9193.01
10. ## AIC=-18378.02 AICc=-18378 BIC=-18353.96
11. ##
12. ## Training set error measures:
13. ## ME RMSE MAE MPE MAPE MASE
14. ## Training set 0.0002387398 0.0115163 0.007522913 Inf Inf 0.6703448
15. ## ACF1
16. ## Training set -0.001958194
17. coeftest(auto_model4)
19. ##
20. ## z test of coefficients:
21. ##
22. ## Estimate Std. Error z value Pr(>|z|)
23. ## ar1 -0.420678 0.148818 -2.8268 0.004702 **
24. ## ma1 0.325918 0.148115 2.2004 0.027776 *
25. ## ma2 -0.095407 0.019848 -4.8070 1.532e-06 ***
26. ## ---
27. ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
所有系数均具有统计学意义。此外，我们使用TSA软件包报告中的eacf（）函数。
1. ## AR/MA
2. ## 0 1 2 3 4 5 6 7 8 9 10 11 12 13
3. ## 0 x x x o x o o o o o o o o x
4. ## 1 x x o o x o o o o o o o o o
5. ## 2 x o o x x o o o o o o o o o
6. ## 3 x o x o x o o o o o o o o o
7. ## 4 x x x x x o o o o o o o o o
8. ## 5 x x x x x o o x o o o o o o
9. ## 6 x x x x x x o o o o o o o o
10. ## 7 x x x x x o o o o o o o o o
以“ O”为顶点的左上三角形位于（p，q）= {（1,2 ,,（2,2），（1,3）}}内，它表示一组潜在候选对象（p，q）值。ARMA（1,2）模型已经过验证。ARMA（2,2）已经是候选模型。让我们验证ARMA（1,3）。
1. ## Call:
2. ##
3. ## Coefficients:
4. ## ar1 ma1 ma2 ma3
5. ## -0.2057 0.1106 -0.0681 0.0338
6. ## s.e. 0.2012 0.2005 0.0263 0.0215
7. ##
8. ## sigma^2 estimated as 0.0001325: log likelihood = 9193.97, aic = -18379.94
9. coeftest(arima_model5)
11. ##
12. ## z test of coefficients:
13. ##
14. ## Estimate Std. Error z value Pr(>|z|)
15. ## ar1 -0.205742 0.201180 -1.0227 0.306461
16. ## ma1 0.110599 0.200475 0.5517 0.581167
17. ## ma2 -0.068124 0.026321 -2.5882 0.009647 **
18. ## ma3 0.033832 0.021495 1.5739 0.115501
19. ## ---
20. ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
只有一个系数具有统计意义。

结论是，我们选择ARMA（2,2）作为均值模型。现在，我们可以继续进行ARCH效果检验。

ARCH效应检验

现在，我们可以检验模型残差上是否存在ARCH效应。如果ARCH效应对于我们的时间序列的残差在统计上显着，则需要GARCH模型。
2. ## ARCH LM-test; Null hypothesis: no ARCH effects
3. ##
4. ## data: model_residuals - mean(model_residuals)
5. ## Chi-squared = 986.82, df = 12, p-value < 2.2e-16
基于报告的p值，我们拒绝没有ARCH效应的原假设。

让我们看一下残差相关图。

条件波动率

条件均值和方差定义为：

μt：= E（rt | Ft-1）σt2：= Var（rt | Ft-1）= E [（rt-μt）2 | Ft-1]

条件波动率可以计算为条件方差的平方根。

eGARCH模型

将sGARCH作为方差模型的尝试未获得具有统计显着性系数的结果。而指数GARCH（eGARCH）方差模型能够捕获波动率内的不对称性。要检查DJIA对数收益率内的不对称性，显示汇总统计数据和密度图。
1. ## DAdjusted
2. ## nobs 3019.000000
3. ## NAs 0.000000
4. ## Minimum -0.082005
5. ## Maximum 0.105083
6. ## 1. Quartile -0.003991
7. ## 3. Quartile 0.005232
8. ## Mean 0.000207
9. ## Median 0.000551
10. ## Sum 0.625943
11. ## SE Mean 0.000211
12. ## LCL Mean -0.000206
13. ## UCL Mean 0.000621
14. ## Variance 0.000134
15. ## Stdev 0.011593
16. ## Skewness -0.141370
17. ## Kurtosis 10.200492
负偏度值确认分布内不对称性的存在。

这给出了密度图。

我们继续提出eGARCH模型作为方差模型（针对条件方差）。更准确地说，我们将使用ARMA（2,2）作为均值模型，指数GARCH（1,1）作为方差模型对ARMA-GARCH进行建模。

在此之前，我们进一步强调ARMA（0,0）在这种情况下不令人满意。ARMA-GARCH：ARMA（0,0）+ eGARCH（1,1）
1. ##
2. ## *---------------------------------*
3. ## * GARCH Model Fit *
4. ## *---------------------------------*
5. ##
6. ## Conditional Variance Dynamics
7. ## -----------------------------------
8. ## GARCH Model : eGARCH(1,1)
9. ## Mean Model : ARFIMA(0,0,0)
10. ## Distribution : sstd
11. ##
12. ## Optimal Parameters
13. ## ------------------------------------
14. ## Estimate Std. Error t value Pr(>|t|)
15. ## mu 0.000303 0.000117 2.5933 0.009506
16. ## omega -0.291302 0.016580 -17.5699 0.000000
17. ## alpha1 -0.174456 0.013913 -12.5387 0.000000
18. ## beta1 0.969255 0.001770 547.6539 0.000000
19. ## gamma1 0.188918 0.021771 8.6773 0.000000
20. ## skew 0.870191 0.021763 39.9848 0.000000
21. ## shape 6.118380 0.750114 8.1566 0.000000
22. ##
23. ## Robust Standard Errors:
24. ## Estimate Std. Error t value Pr(>|t|)
25. ## mu 0.000303 0.000130 2.3253 0.020055
26. ## omega -0.291302 0.014819 -19.6569 0.000000
27. ## alpha1 -0.174456 0.016852 -10.3524 0.000000
28. ## beta1 0.969255 0.001629 595.0143 0.000000
29. ## gamma1 0.188918 0.031453 6.0063 0.000000
30. ## skew 0.870191 0.022733 38.2783 0.000000
31. ## shape 6.118380 0.834724 7.3298 0.000000
32. ##
33. ## LogLikelihood : 10138.63
34. ##
35. ## Information Criteria
36. ## ------------------------------------
37. ##
38. ## Akaike -6.7119
39. ## Bayes -6.6980
40. ## Shibata -6.7119
41. ## Hannan-Quinn -6.7069
42. ##
43. ## Weighted Ljung-Box Test on Standardized Residuals
44. ## ------------------------------------
45. ## statistic p-value
46. ## Lag[1] 5.475 0.01929
47. ## Lag[2*(p+q)+(p+q)-1][2] 6.011 0.02185
48. ## Lag[4*(p+q)+(p+q)-1][5] 7.712 0.03472
49. ## d.o.f=0
50. ## H0 : No serial correlation
51. ##
52. ## Weighted Ljung-Box Test on Standardized Squared Residuals
53. ## ------------------------------------
54. ## statistic p-value
55. ## Lag[1] 1.342 0.2467
56. ## Lag[2*(p+q)+(p+q)-1][5] 2.325 0.5438
57. ## Lag[4*(p+q)+(p+q)-1][9] 2.971 0.7638
58. ## d.o.f=2
59. ##
60. ## Weighted ARCH LM Tests
61. ## ------------------------------------
62. ## Statistic Shape Scale P-Value
63. ## ARCH Lag[3] 0.3229 0.500 2.000 0.5699
64. ## ARCH Lag[5] 1.4809 1.440 1.667 0.5973
65. ## ARCH Lag[7] 1.6994 2.315 1.543 0.7806
66. ##
67. ## Nyblom stability test
68. ## ------------------------------------
69. ## Joint Statistic: 4.0468
70. ## Individual Statistics:
71. ## mu 0.2156
72. ## omega 1.0830
73. ## alpha1 0.5748
74. ## beta1 0.8663
75. ## gamma1 0.3994
76. ## skew 0.1044
77. ## shape 0.4940
78. ##
79. ## Asymptotic Critical Values (10% 5% 1%)
80. ## Joint Statistic: 1.69 1.9 2.35
81. ## Individual Statistic: 0.35 0.47 0.75
82. ##
83. ## Sign Bias Test
84. ## ------------------------------------
85. ## t-value prob sig
86. ## Sign Bias 1.183 0.23680
87. ## Negative Sign Bias 2.180 0.02932 **
88. ## Positive Sign Bias 1.554 0.12022
89. ## Joint Effect 8.498 0.03677 **
90. ##
91. ##
92. ## Adjusted Pearson Goodness-of-Fit Test:
93. ## ------------------------------------
94. ## group statistic p-value(g-1)
95. ## 1 20 37.24 0.00741
96. ## 2 30 42.92 0.04633
97. ## 3 40 52.86 0.06831
98. ## 4 50 65.55 0.05714
99. ##
100. ##
101. ## Elapsed time : 0.6527421
所有系数均具有统计学意义。但是，根据以上报告的p值的标准化残差加权Ljung-Box检验，我们确认该模型无法捕获所有ARCH效果（我们拒绝了残差内无相关性的零假设））。

作为结论，我们通过在下面所示的GARCH拟合中指定ARMA（2,2）作为均值模型来继续进行。

ARMA-GARCH：ARMA（2,2）+ eGARCH（1,1）
1. ##
2. ## *---------------------------------*
3. ## * GARCH Model Fit *
4. ## *---------------------------------*
5. ##
6. ## Conditional Variance Dynamics
7. ## -----------------------------------
8. ## GARCH Model : eGARCH(1,1)
9. ## Mean Model : ARFIMA(2,0,2)
10. ## Distribution : sstd
11. ##
12. ## Optimal Parameters
13. ## ------------------------------------
14. ## Estimate Std. Error t value Pr(>|t|)
15. ## ar1 -0.47642 0.026115 -18.2433 0
16. ## ar2 -0.57465 0.052469 -10.9523 0
17. ## ma1 0.42945 0.025846 16.6157 0
18. ## ma2 0.56258 0.054060 10.4066 0
19. ## omega -0.31340 0.003497 -89.6286 0
20. ## alpha1 -0.17372 0.011642 -14.9222 0
21. ## beta1 0.96598 0.000027 35240.1590 0
22. ## gamma1 0.18937 0.011893 15.9222 0
23. ## skew 0.84959 0.020063 42.3469 0
24. ## shape 5.99161 0.701313 8.5434 0
25. ##
26. ## Robust Standard Errors:
27. ## Estimate Std. Error t value Pr(>|t|)
28. ## ar1 -0.47642 0.007708 -61.8064 0
29. ## ar2 -0.57465 0.018561 -30.9608 0
30. ## ma1 0.42945 0.007927 54.1760 0
31. ## ma2 0.56258 0.017799 31.6074 0
32. ## omega -0.31340 0.003263 -96.0543 0
33. ## alpha1 -0.17372 0.012630 -13.7547 0
34. ## beta1 0.96598 0.000036 26838.0412 0
35. ## gamma1 0.18937 0.013003 14.5631 0
36. ## skew 0.84959 0.020089 42.2911 0
37. ## shape 5.99161 0.707324 8.4708 0
38. ##
39. ## LogLikelihood : 10140.27
40. ##
41. ## Information Criteria
42. ## ------------------------------------
43. ##
44. ## Akaike -6.7110
45. ## Bayes -6.6911
46. ## Shibata -6.7110
47. ## Hannan-Quinn -6.7039
48. ##
49. ## Weighted Ljung-Box Test on Standardized Residuals
50. ## ------------------------------------
51. ## statistic p-value
52. ## Lag[1] 0.03028 0.8619
53. ## Lag[2*(p+q)+(p+q)-1][11] 5.69916 0.6822
54. ## Lag[4*(p+q)+(p+q)-1][19] 12.14955 0.1782
55. ## d.o.f=4
56. ## H0 : No serial correlation
57. ##
58. ## Weighted Ljung-Box Test on Standardized Squared Residuals
59. ## ------------------------------------
60. ## statistic p-value
61. ## Lag[1] 1.666 0.1967
62. ## Lag[2*(p+q)+(p+q)-1][5] 2.815 0.4418
63. ## Lag[4*(p+q)+(p+q)-1][9] 3.457 0.6818
64. ## d.o.f=2
65. ##
66. ## Weighted ARCH LM Tests
67. ## ------------------------------------
68. ## Statistic Shape Scale P-Value
69. ## ARCH Lag[3] 0.1796 0.500 2.000 0.6717
70. ## ARCH Lag[5] 1.5392 1.440 1.667 0.5821
71. ## ARCH Lag[7] 1.6381 2.315 1.543 0.7933
72. ##
73. ## Nyblom stability test
74. ## ------------------------------------
75. ## Joint Statistic: 4.4743
76. ## Individual Statistics:
77. ## ar1 0.07045
78. ## ar2 0.37070
79. ## ma1 0.07702
80. ## ma2 0.39283
81. ## omega 1.00123
82. ## alpha1 0.49520
83. ## beta1 0.79702
84. ## gamma1 0.51601
85. ## skew 0.07163
86. ## shape 0.55625
87. ##
88. ## Asymptotic Critical Values (10% 5% 1%)
89. ## Joint Statistic: 2.29 2.54 3.05
90. ## Individual Statistic: 0.35 0.47 0.75
91. ##
92. ## Sign Bias Test
93. ## ------------------------------------
94. ## t-value prob sig
95. ## Sign Bias 0.4723 0.63677
96. ## Negative Sign Bias 1.7969 0.07246 *
97. ## Positive Sign Bias 2.0114 0.04438 **
98. ## Joint Effect 7.7269 0.05201 *
99. ##
100. ##
101. ## Adjusted Pearson Goodness-of-Fit Test:
102. ## ------------------------------------
103. ## group statistic p-value(g-1)
104. ## 1 20 46.18 0.0004673
105. ## 2 30 47.73 0.0156837
106. ## 3 40 67.07 0.0034331
107. ## 4 50 65.51 0.0574582
108. ##
109. ##
110. ## Elapsed time : 0.93679
所有系数均具有统计学意义。在标准化残差或标准化平方残差内未发现相关性。模型正确捕获所有ARCH效果。然而：

*对于某些模型参数，Nyblom稳定性检验无效假设认为模型参数随时间是恒定的

*正偏差为零的假设在5％的显着性水平上被拒绝；这种检验着重于正面冲击的影响

*拒绝了标准化残差的经验和理论分布相同的Pearson拟合优度检验原假设

注意：ARMA（1,2）+ eGARCH（1,1）拟合还提供统计上显着的系数，标准化残差内没有相关性，标准化平方残差内没有相关性，并且正确捕获了所有ARCH效应。但是，偏差检验在5％时不如ARMA（2,2）+ eGARCH（1,1）模型令人满意。

进一步显示诊断图。

我们用平均模型拟合（红线）和条件波动率（蓝线）显示了原始的对数收益时间序列。
2. p <- addSeries(mean_model_fit, col = 'red', on = 1)
3. p <- addSeries(cond_volatility, col = 'blue', on = 1)
4. p
模型方程式

结合ARMA（2,2）和eGARCH模型，我们可以：

yt − ϕ1yt−1 − ϕ2yt−2 = ϕ0 + ut + θ1ut−1 +θ2ut-2ut= σtϵt，ϵt = N（0,1）ln⁡（σt2）=ω+ ∑j = 1q（αjϵt−j2 +γ （ϵt−j–E | ϵt−j |））+ ∑i =1pβiln（σt−12）

使用模型结果系数，结果如下。

yt +0.476 yt-1 +0.575 yt-2 = ut +0.429 ut-1 +0.563 ut-2ut = σtϵt，ϵt = N（0,1）ln⁡（σt2）= -0.313 -0.174ϵt-12 +0.189（ ϵt−1–E | ϵt−1 |））+ 0.966 ln（σt−12）

波动率分析

这是由ARMA（2,2）+ eGARCH（1,1）模型得出的条件波动图。
```
plot(cond_volatility)
```
显示了年条件波动率的线线图。
2. pl <- lapply(2007:2018, function(x) { plot(cond_volatility[as.character(x)])
3. pl
显示了按年列出的条件波动率箱图。

2008年之后，日波动率基本趋于下降。在2017年，波动率低于其他任何年。不同的是，与2017年相比，我们在2018年的波动性显着增加。

最受欢迎的见解

1.HAR-RV-J与递归神经网络（RNN）混合模型预测和交易大型股票指数的高频波动率

2.R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长

3.波动率的实现：ARCH模型与HAR-RV模型

4.R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测

5.GARCH（1,1），MA以及历史模拟法的VaR比较

6.R语言多元COPULA GARCH 模型时间序列预测

7.R语言基于ARMA-GARCH过程的VAR拟合和预测

8.matlab预测ARMA-GARCH 条件均值和方差模型

9.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
▍关注我们【大数据部落】第三方数据服务提供商,提供全面的统计分析与数据挖掘咨询服务,为客户定制个性化的数据解决方案与行业报告等。 ▍咨询链接：http://y0.cn/teradat ▍联系邮箱：3025393450@qq.com
查看全文

相关阅读:
Azure 虚拟机安全加固整理
 AzureARM 使用 powershell 扩容系统磁盘大小
 Azure Linux 云主机使用Root超级用户登录
 Open edX 配置 O365 SMTP
powershell 根据错误GUID查寻错误详情
 azure 创建redhat镜像帮助
 Azure Powershell blob中指定的vhd创建虚拟机
 Azure Powershell 获取可用镜像 PublisherName,Offer,Skus,Version
Power BI 连接到 Azure 账单，自动生成报表，可刷新
 Azure powershell 获取 vmSize 可用列表的命令

原文地址：https://www.cnblogs.com/tecdat/p/14396941.html

Copyright © 2011-2022 走看看