Eksponensieel geweeg bewegende gemiddelde var

GARCH en EWMA 21 Mei 2010 deur David Harper, CFA, FRM, CIPM DOEL: vergelyk, kontrasteer en te bereken parametriese en nie-parametriese benaderings vir die beraming van voorwaardelike wisselvalligheid 8230 Insluitend: GARCH BENADERING Insluitend: eksponensieel glad (EWMA) Eksponensiële smoothing (voorwaardelike parametries) moderne metodes plaas meer gewig op onlangse inligting. Beide EWMA en GARCH plaas meer gewig op onlangse inligting. Verdere, as EWMA is 'n spesiale geval van GARCH, sowel EWMA en GARCH diens eksponensiële gladstryking. GARCH (p, q) en in die besonder GARCH (1, 1) GARCH (p, q) is 'n algemene outoregressiewe voorwaardelike heteroskedastic model. Sleutelaspekte sluit in: outoregressiewe (AR). tomorrow8217s variansie (of wisselvalligheid) is 'n agteruitgang funksie van today8217s variance8212it regresses op sigself Voorwaardelike (C). tomorrow8217s variansie depends8212is voorwaardelike on8212the mees onlangse variansie. 'N onvoorwaardelike variansie sou nie afhanklik van today8217s variansie Heteroskedastic (H). afwykings is nie konstant, hulle vloed met verloop van tyd GARCH regresses op 8220lagged8221 of historiese terme. Die uitgestel terme is óf variansie of vierkantig opbrengste. Die generiese GARCH (p, q) model regresses op (bl) kwadraat opbrengste en (q) afwykings. Daarom, GARCH (1, 1) 8220lags8221 of regresses verlede period8217s kwadraat terugkeer (maw net 1 terugkeer) en laaste period8217s variansie (dit wil sê net 1 variansie). GARCH (1, 1) gegee deur die volgende vergelyking. Dieselfde GARCH (1, 1) kan formule gegee word met Griekse parameters: Hull skryf dieselfde GARCH vergelyking as: die eerste kwartaal (gVL) is belangrik omdat VL is die lang termyn gemiddelde variansie. Daarom (gVL) is 'n produk: dit is die geweegde langtermyn gemiddelde variansie. Die GARCH (1, 1) model lost vir die voorwaardelike variansie as 'n funksie van drie veranderlikes (vorige variansie, vorige return2 en langtermyn variansie): Persistence is 'n funksie is ingesluit in die GARCH model. Wenk: In die bogenoemde formules, volharding is (b c) of (alfa-1 beta). Volharding verwys na hoe vinnig (of stadig) die variansie terugval of 8220decays8221 teenoor sy langtermyn gemiddelde. Hoë volharding is gelykstaande aan verval en stadige 8220regression na die mean8221 lae volharding is gelykstaande aan 'n vinnige verval en vinnige 8220reversion om die mean.8221 A volharding van 1.0 impliseer geen geringe terugkeer vertraag. A volharding van minder as 1,0 impliseer 8220reversion om die gemiddelde, 8221 waar 'n laer volharding impliseer groter terugkeer na die gemiddelde. Wenk: Soos hierbo, die som van die gewigte aan die uitgesak variansie en uitgestel kwadraat terugkeer is volharding (BC volharding). 'N Hoë volharding (groter as nul, maar minder as een) impliseer stadig terugkeer na die gemiddelde. Maar as die gewigte aan die uitgesak variansie en uitgestel kwadraat terugkeer is groter as een, die model is nie-stasionêre. As (BC) is groter as 1 (indien vC GT 1) die model is nie-stasionêre en, volgens Hull, onstabiel. In welke geval, is EWMA verkies. Linda Allen sê oor GARCH (1, 1): GARCH is beide 8220compact8221 (maw relatief eenvoudige) en merkwaardig akkuraat. GARCH modelle oorheers in wetenskaplike navorsing. Baie variasies van die GARCH model is probeer, maar min het verbeter op die oorspronklike. Die nadeel van die GARCH model is sy lineariteiten sic Byvoorbeeld: Los op vir langtermyn variansie in GARCH (1,1) Kyk na die GARCH (1, 1) vergelyking hieronder: Aanvaar dat: die alfa parameter 0.2, die beta parameter 0.7, en let daarop dat omega is 0.2, maar don8217t fout omega (0.2) vir die langtermyn variansie Omega is die produk van gammastrale en die langtermyn-afwyking. Dus, as Alpha Beta 0.9, dan gamma moet 0.1. Gegewe dat omega is 0.2, ons weet dat die langtermyn variansie 2,0 (0,2 184 0,1 2,0) moet wees. GARCH (1,1): Mere notasie verskil tussen Hull en Allen EWMA EWMA is 'n spesiale geval van GARCH (1,1) en GARCH (1,1) is 'n algemene geval van EWMA. Die belangrike verskil is dat GARCH sluit die addisionele term vir gemiddelde terugkeer en EWMA nie 'n gemiddelde terugkeer. Hier is hoe ons van GARCH (1,1) tot EWMA: Dan laat ons 'n 0 en (BC) 1, sodanig dat die bostaande vergelyking vereenvoudig tot: Dit is nou gelykstaande aan die formule vir eksponensieel geweeg bewegende gemiddelde (EWMA): in EWMA, die parameter lambda bepaal nou die 8220decay: 8221 'n lambda wat naby aan een (hoë lambda) vertoon stadige verval. Die RiskMetricsTM benadering RiskMetrics is 'n handelsmerk vorm van die eksponensieel geweeg bewegende gemiddelde (EWMA) benadering: die optimale (teoretiese) lambda is afhanklik van die bateklas, maar die algehele optimale parameter wat gebruik word deur RiskMetrics is 0.94. In die praktyk, RiskMetrics gebruik net een verval faktor vir al die reeks: 183 0.94 vir daaglikse data 183 0.97 vir maandelikse data (maand gedefinieer as 25 handelsdae) Tegnies, die daaglikse en maandelikse modelle is nie konsekwent nie. Hulle is egter albei maklik om te gebruik, hulle die gedrag van werklike data benader redelik goed, en hulle is sterk om misspecification. Let wel: GARCH (1, 1), EWMA en RiskMetrics is elke parametriese en rekursiewe. Rekursiewe EWMA voor - en nadele van MA (dws STDEV) teen GARCH Grafiese opsomming van die parametriese metodes wat meer gewig toeken aan onlangse opbrengste (GARCH amp EWMA) Opsomming Wenke: GARCH (1, 1) word veralgemeen RiskMetrics en omgekeerd, RiskMetrics is beperk geval van GARCH (1,1) waar 'n 0 en (BC) 1. GARCH (1, 1) word gegee deur: die drie parameters is gewigte en daarom moet opsom een: Wenk: Wees versigtig oor die eerste kwartaal in die GARCH (1, 1) vergelyking: omega () gammastrale () (gemiddelde langtermyn variansie). As jy gevra word vir die stryd, kan jy nodig het om te verdeel uit die gewig ten einde die gemiddelde afwyking te bereken. Bepaal wanneer en of 'n GARCH of EWMA model moet gebruik word in wisselvalligheid skatting In die praktyk, variansie tariewe is geneig gemiddelde te wees terugkeer dus die GARCH (1, 1) model is teoreties beter (8220more aantreklik than8221) om die EWMA model. Onthou, that8217s die groot verskil: GARCH voeg die parameter wat gewigte die langtermyn gemiddelde en daarom is dit inkorporeer beteken terugkeer. Wenk: GARCH (1, 1) verkies nie, tensy die eerste parameter is negatief (wat geïmpliseer as Alpha Beta GT 1). In hierdie geval, GARCH (1,1) is onstabiel en EWMA verkies. Verduidelik hoe die GARCH skattings voorspellings dat meer akkuraat is, kan voorsien. Die bewegende gemiddelde bere afwyking gebaseer op 'n sleep venster waarnemings bv die vorige tien dae, die vorige 100 dae. Daar is twee probleme met bewegende gemiddelde (MA): Ghosting funksie: wisselvalligheid skokke (skielike stygings) is skielik opgeneem in die MA metrieke en dan, wanneer die sleep venster verby, hulle is skielik gedaal van die berekening. As gevolg van hierdie die MA metrieke verskuif met betrekking tot die gekose venster lengte Trend inligting nie in aanmerking geneem GARCH skattings te verbeter op hierdie swakhede op twee maniere: Meer onlangse waarnemings word groter gewigte toegeken. Dit oorwin Ghosting omdat 'n wisselvalligheid skok onmiddellik sal 'n impak die skatting maar sy invloed sal geleidelik vervaag met verloop van tyd 'n term word bygevoeg om terugkeer te neem aan die gemiddelde Verduidelik hoe volharding is wat verband hou met die terugkeer na die gemiddelde. Gegewe die GARCH (1, 1) vergelyking: Persistence word gegee deur: GARCH (1, 1) is onstabiel as die volharding GT 1. 'n voortbestaan ​​van 1,0 dui geen geringe terugkeer. 'N Lae volharding (bv 0.6) dui vinnige verval en 'n hoë terugkeer na die gemiddelde. Wenk: GARCH (1, 1) het drie gewigte aan drie faktore. Volharding is die som van die gewigte aan beide die uitgesak variansie en uitgestel kwadraat terugkeer. Die ander gewig aan die langtermyn-afwyking. As P volharding en G gewig te langtermyn variansie, dan PG 1. Daarom, as P (volharding) is hoog, dan G (gemiddelde terugkeer) opgedra is laag: die aanhoudende reeks is nie sterk beteken terugkeer dit vertoon 8220slow decay8221 teenoor die beteken. As P is laag, dan G moet hoog wees: die impersistent reeks het sterk beteken terugkeer dit vertoon 8220rapid decay8221 teenoor die gemiddelde. Die gemiddelde, onvoorwaardelike variansie in die GARCH (1, 1) model word gegee deur: Verduidelik hoe EWMA afslag stelselmatig ouer data, en identifiseer die RiskMetrics174 daaglikse en maandelikse verval faktore. Die eksponensieel geweegde bewegende gemiddelde (EWMA) word gegee deur: Bogenoemde formule is 'n rekursiewe vereenvoudiging van die 8220true8221 EWMA reeks wat gegee word deur: In die EWMA reeks, elke gewig wat aan die kwadraat opbrengste is 'n konstante verhouding van die voorafgaande gewig. Spesifiek, lambda (l) is die verhouding tussen naburige gewigte. Op hierdie manier, is ouer data te verdiskonteer. Die sistematiese afslag kan geleidelike (stadig) of skielike wees, afhangende van lambda. As lambda is hoog (bv 0.99), dan is die verdiskontering is baie geleidelike. As lambda is laag (bv 0.7), die verdiskontering is meer skielike. Die RiskMetrics TM verval faktore: 0.94 vir daaglikse data 0,97 vir maandelikse data (maand gedefinieer as 25 handelsdae) Verduidelik waarom vooruitskatting korrelasies belangriker as die voorspelling van wisselings kan wees. Wanneer meet portefeulje risiko, kan korrelasies belangriker as individuele instrument wisselvalligheid / afwyking wees. Daarom, ten opsigte van portefeulje risiko, 'n korrelasie voorspel kan belangriker as individuele wisselvalligheid voorspellings wees. Gebruik GARCH (1, 1) om wisselvalligheid Die verwagte toekomstige variansie koers, in (t) periodes vorentoe voorspel, gegee word deur: Byvoorbeeld, veronderstel dat 'n huidige wisselvalligheid skatting (tydperk N) word gegee deur die volgende GARCH (1, 1 ) vergelyking: In hierdie voorbeeld, Alpha is die gewig (0.1) aan die vorige kwadraat terugkeer (die vorige terugkeer was 4), beta is die gewig (0.7) aan die vorige variansie (0,0016). Wat is die verwagte toekomstige volatiliteit, in tien dae (N 10) In die eerste plek op te los vir die langtermyn-afwyking. Dit is nie 0,00008 hierdie kwartaal is die produk van die variansie en sy gewig. Sedert die gewig moet wees 0.2 (1-0,1 -0,7), op die lange duur variansie 0,0004. In die tweede plek moet ons die huidige variansie (tydperk N). Dit is byna aan ons gegee is bo: Nou kan ons die formule van toepassing op te los vir die verwagte toekomstige variansie koers: Dit is die verwagte afwyking koers, sodat die verwagte onbestendigheid is ongeveer 2,24. Let op hoe dit werk: die huidige wisselvalligheid is oor 3,69 en die langtermyn wisselvalligheid is 2. Die 10-dag af en verder projeksie 8220fades8221 die huidige koers nader aan die langtermyn koers. Parametriese Volatiliteit ForecastingExploring Die eksponensieel Geweegde Moving Gemiddelde Volatiliteit is die mees algemene maatstaf van risiko, maar dit kom in verskeie geure. In 'n vorige artikel het ons gewys hoe om eenvoudige historiese wisselvalligheid te bereken. (Om hierdie artikel te lees, sien Die gebruik van Volatiliteit Om toekomstige risiko te meet.) Ons gebruik Googles werklike aandele prys data om daaglikse wisselvalligheid gebaseer op 30 dae van voorraad data bereken. In hierdie artikel, sal ons verbeter op eenvoudige wisselvalligheid en bespreek die eksponensieel geweeg bewegende gemiddelde (EWMA). Historiese Vs. Geïmpliseer Volatiliteit Eerste, laat sit hierdie metrieke in 'n bietjie van perspektief. Daar is twee breë benaderings: historiese en geïmpliseer (of implisiete) wisselvalligheid. Die historiese benadering veronderstel dat verlede is proloog ons geskiedenis te meet in die hoop dat dit voorspellende. Geïmpliseerde wisselvalligheid, aan die ander kant, ignoreer die geskiedenis wat dit oplos vir die wisselvalligheid geïmpliseer deur markpryse. Hulle hoop dat die mark weet die beste en dat die markprys bevat, selfs al is implisiet, 'n konsensus skatting van wisselvalligheid. (Vir verwante leesstof, sien die gebruike en beperkinge van Volatiliteit.) As ons fokus op net die drie historiese benaderings (op die bogenoemde links), hulle het twee stappe in gemeen: Bereken die reeks periodieke opgawes Pas 'n gewig skema Eerstens, ons bereken die periodieke terugkeer. Dis gewoonlik 'n reeks van die daaglikse opgawes waar elke terugkeer uitgedruk in voortdurend saamgestel terme. Vir elke dag, neem ons die natuurlike log van die verhouding van aandele pryse (dit wil sê die prys vandag gedeel deur die prys gister, en so aan). Dit veroorsaak 'n reeks van die daaglikse opbrengs van u ek u i-m. afhangende van hoeveel dae (m dae) ons meet. Dit kry ons by die tweede stap: Dit is hier waar die drie benaderings verskil. In die vorige artikel (Die gebruik van Volatiliteit Om toekomstige risiko Gauge), ons het getoon dat onder 'n paar aanvaarbare vereenvoudigings, die eenvoudige afwyking is die gemiddeld van die kwadraat opbrengste: Let daarop dat hierdie som elk van die periodieke opgawes, verdeel dan wat totaal deur die aantal dae of waarnemings (m). So, dit is regtig net 'n gemiddeld van die kwadraat periodieke opgawes. Anders gestel, is elke vierkant terugkeer gegee 'n gelyke gewig. So as alfa (a) is 'n gewig faktor (spesifiek, 'n 1 / m), dan 'n eenvoudige variansie lyk iets soos hierdie: Die EWMA Verbeter op Eenvoudige Variansie Die swakheid van hierdie benadering is dat alle opgawes verdien dieselfde gewig. Yesterdays (baie onlangse) terugkeer het geen invloed meer op die variansie as verlede maande terugkeer. Hierdie probleem is opgelos deur die gebruik van die eksponensieel geweeg bewegende gemiddelde (EWMA), waarin meer onlangse opbrengste het 'n groter gewig op die variansie. Die eksponensieel geweeg bewegende gemiddelde (EWMA) stel lambda. wat die smoothing parameter genoem. Lambda moet minstens een wees. Onder daardie toestand, in plaas van gelyke gewigte, elke vierkant terugkeer is geweeg deur 'n vermenigvuldiger soos volg: Byvoorbeeld, RiskMetrics TM, 'n finansiële risikobestuur maatskappy, is geneig om 'n lambda van 0,94, of 94. gebruik in hierdie geval, die eerste ( mees onlangse) kwadraat periodieke terugkeer is geweeg deur (1-0,94) (. 94) 0 6. die volgende kwadraat terugkeer is bloot 'n lambda-veelvoud van die vorige gewig in hierdie geval 6 vermenigvuldig met 94 5.64. En die derde voor dae gewig gelyk (1-0,94) (0.94) 2 5,30. Dis die betekenis van eksponensiële in EWMA: elke gewig is 'n konstante vermenigvuldiger (dit wil sê lambda, wat moet wees minder as een) van die dae gewig voor. Dit sorg vir 'n afwyking wat geweeg of voorkeur vir meer onlangse data. (Vir meer inligting, kyk na die Excel Werkkaart vir Googles Volatiliteit.) Die verskil tussen net wisselvalligheid en EWMA vir Google word hieronder getoon. Eenvoudige wisselvalligheid effektief weeg elke periodieke terugkeer deur 0,196 soos uiteengesit in kolom O (ons het twee jaar van die daaglikse aandeleprys data. Dit is 509 daaglikse opgawes en 1/509 0,196). Maar let op dat Kolom P ken 'n gewig van 6, dan 5.64, dan 5.3 en so aan. Dis die enigste verskil tussen eenvoudige variansie en EWMA. Onthou: Nadat ons die hele reeks (in kolom Q) het ons die variansie, wat is die kwadraat van die standaardafwyking som. As ons wil hê wisselvalligheid, moet ons onthou om die vierkantswortel van daardie afwyking te neem. Wat is die verskil in die daaglikse wisselvalligheid tussen die variansie en EWMA in Googles geval beduidende: Die eenvoudige variansie het ons 'n daaglikse wisselvalligheid van 2,4, maar die EWMA het 'n daaglikse wisselvalligheid van slegs 1.4 (sien die sigblad vir besonderhede). Blykbaar, Googles wisselvalligheid bedaar meer onlangs dus kan 'n eenvoudige variansie kunsmatig hoog wees. Vandag se afwyking is 'n funksie van Pior Dae Variansie Youll kennisgewing wat ons nodig het om 'n lang reeks van eksponensieel afneem gewigte bereken. Ons sal nie die wiskunde doen hier, maar een van die beste eienskappe van die EWMA is dat die hele reeks gerieflik verminder tot 'n rekursiewe formule: Rekursiewe beteken dat vandag se stryd verwysings (dit wil sê 'n funksie van die vorige dae variansie). Jy kan hierdie formule in die sigblad ook, en dit lei tot die presies dieselfde resultaat as die skuldbewys berekening Dit sê: Vandag se variansie (onder EWMA) gelyk yesterdays variansie (geweeg volgens lambda) plus yesterdays kwadraat terugkeer (geweeg deur een minus lambda). Let op hoe ons net bymekaar te tel twee terme: yesterdays geweegde variansie en yesterdays geweeg, vierkantig terugkeer. Net so is, lambda is ons glad parameter. 'N Hoër lambda (bv soos RiskMetrics 94) dui stadiger verval in die reeks - in relatiewe terme, gaan ons meer datapunte in die reeks en hulle gaan stadiger af te val. Aan die ander kant, as ons die lambda verminder, dui ons hoër verval: die gewigte val vinniger af en, as 'n direkte gevolg van die snelle verval, is minder datapunte gebruik. (In die sigblad, lambda is 'n inset, sodat jy kan eksperimenteer met sy sensitiwiteit). Opsomming Volatiliteit is die oombliklike standaardafwyking van 'n voorraad en die mees algemene risiko metrieke. Dit is ook die vierkantswortel van variansie. Ons kan variansie histories of implisiet (geïmpliseer wisselvalligheid) te meet. Wanneer histories meet, die maklikste metode is eenvoudig variansie. Maar die swakheid met 'n eenvoudige afwyking is alle opgawes kry dieselfde gewig. So staan ​​ons voor 'n klassieke kompromis: ons wil altyd meer inligting, maar hoe meer data het ons die meer ons berekening verwater deur verre (minder relevant) data. Die eksponensieel geweeg bewegende gemiddelde (EWMA) verbeter op eenvoudige variansie deur die toeken van gewigte aan die periodieke opgawes. Deur dit te doen, kan ons albei gebruik 'n groot monster grootte, maar ook 'n groter gewig te gee aan meer onlangse opbrengste. (Om 'n fliek handleiding te sien oor hierdie onderwerp, besoek die Bionic skilpad.) 'N Persoon wat handel dryf afgeleides, kommoditeite, effekte, aandele of geldeenhede met 'n hoër-as-gemiddelde risiko in ruil vir. quotHINTquot is 'n akroniem wat staan ​​vir vir quothigh inkomste nie taxes. quot Dit is van toepassing op 'n hoë-verdieners wat verhoed dat die betaling federale inkomste. 'N Mark outeur wat koop en verkoop baie kort termyn korporatiewe effekte genoem kommersiële papier. 'N papier handelaar is tipies. Die onbeperkte koop en verkoop van goedere en dienste tussen lande sonder die oplegging van beperkings soos as. Score-gedrewe eksponensieel geweeg bewegende gemiddeldes en Value-at-Risk voorspel Andr Lucas a. Xin Zhang b ,. 'n VU Universiteit Amsterdam en Tinbergen Instituut, Nederland b Sveriges Riksbank, Swede beskikbaar aanlyn 21 Januarie 2016. Abstract Ons bied 'n eenvoudige metode vir die modellering van die tyd variasie in volatiliteiten en ander hoërorde oomblikke met behulp van 'n rekursiewe opdatering skema wat soortgelyk is aan die vertroud RiskMetrics benader. Die parameters opgedateer met die telling van die voorspelling verspreiding, wat toelaat dat die parameter dinamika om outomaties aan te pas by enige nie-normale data funksies, en verhoog die robuustheid van die daaropvolgende skattings. Die nuwe benadering maak nes 'n paar van die vorige uitbreidings aan die eksponensieel geweeg bewegende gemiddelde (EWMA) skema. Daarbenewens kan dit maklik uitgebrei word om hoër dimensies en alternatiewe voorspelling verdelings. Die metode toegepas word om Value-at-Risk vooruitskatting met (skewe) Studente verdelings en 'n tyd wisselende grade van vryheid en / of skeefheid parameter. Ons wys dat die nuwe metode is so goed of beter as vroeër metodes vir voorspelling van die wisselvalligheid van individuele voorraad opbrengste en wisselkoers opbrengste. Sleutelwoorde Dynamic volatiliteiten Dynamic hoër-orde oomblikke Geïntegreerde algemene outoregressiewe telling modelle eksponensieel Geweegde bewegende gemiddelde (EWMA) Waarde-op-Risiko (bul) Vitae Andr Lucas is professor van finansies by VU Universiteit Amsterdam. Hy het sy Ph. D. in Ekonometrie van Erasmus Universiteit Rotterdam en het op finansiële en tydreeks ekonometrie asook risikobestuur in tydskrifte soos die Journal of Business en ekonomiese statistieke gepubliseer. Journal of Ekonometrie. en hersiening van Ekonomie en Statistiek. Saam met Creal en Koopman, propageer hy die gebruik van algemene outoregressiewe telling dinamika vir tyd wisselende parameter modelle. Hy het 'n vyf jaar gesogte VICI navorsingstoekenning vir hierdie projek van die Nederlandse nasionale Navorsingsraad (NWO). Xin Zhang het sy Ph. D. graad uit VU Universiteit Amsterdam en Tinbergen Instituut. Hy het ook 'n M. Phil. in Ekonometrie en Finansies van Tinbergen Instituut. Hy was 'n eksterne konsultant vir ECB in 2011. In val 2012, het hy by Sveriges Riksbank as 'n ekonoom by die navorsing afdeling. Sy navorsing sluit in tydreekse ekonometrie, finansiële ekonomie en krediet risiko. Xins werk is gepubliseer in die Journal of Business en ekonomiese statistieke. 2015 Internasionale Instituut van Voorspellers. Uitgegee deur Elsevier BV Alle regte voorbehou. Met verwysing na artikels () Rugarch vir EWMA / Var Geagte R-gebruikers, liewe Alexios, ek probeer om rugarch gebruik om volatiliy voorspel en doen VAR-backtests met behulp van die eksponensieel geweeg bewegende gemiddelde. Om dit te bereik Ek gebruik die iGarch, stel omega tot 0 en óf raming of los alfa1 en beta1. Voorbeeld-kode word verskaf aan die einde van my boodskap. Sommige kwessies vorendag gekom wat id bly om op te los met jou hulp wees: 1) Wanneer ek probeer om alfa1 en beta1 pas, altyd ek 0.5 as gevolg. Ek het probeer om dit vir verskillende Onderliggende en tyd horisonne. Enige idee wat die rede kan wees 2) Ek het ook 'n fout (Ek vertaal die fout boodskap na Engels) na die boog LM Toets afvoer: ARCH LM Toetse ----------------- ------------------- Statistiek DOF p-waarde ARCH Lag2 4,653 2 0,09765 ARCH Lag5 7,991 5 0,15672 ARCH Lag10 12,082 10 0,27959 Fout in name (ans) c (quot10quot, quot5quot , quot1quot). Attribut name 3 moet dieselfde lengte het as die vektor 0 Is daar iets fout met my kode of die manier waarop ek sit die data in die model Die ander deel van die uitgange lyk ligitieme. 3) wanneer ek probeer om dieselfde berekeninge met 'n vaste Alpha ek kry die volgende fout doen wanneer ek probeer om die model te filtreer: 1: In doTryCatch (terugkeer (Expr), naam, parentenv, hanteerder). verby 'n voorwerp van tipe NULL om. C (arg 8) is afgekeur 2: In doTryCatch (terugkeer (Expr), naam, parentenv, hanteerder). verby 'n voorwerp van tipe NULL om. C (arg 9) is afgekeur Die ugarchfilter uitset lyk weer redelik. 4) Ek is nie in staat om 'n rollende voorspelling en VaR Uitgawe genereer toe ek vaste alfa1. Kan jy asseblief vir my 'n wenk oor hoe om dit te doen met gefilterde data 5) Het enige van daardie kwessies ontstaan ​​van die gebruik van die data as quotzooquot voorwerp Dankie by voorbaat vir jou moeite om my te help aangepas naby prys van SP500 sp500priceget. hist. aanhaling (instrumentquotgspcquot, startquot2006-01-01quot, endquot2011-12-31quot, quotequotAdjClosequot) model spec spec1 ugarchspec (variance. model lys (model quotiGARCHquot, garchOrder c (1, 1)), mean. modellist (armaOrderc (0,0) , include. meanFALSE), distribution. model quotnormquot, fixed. pars lys (omega0)) Fit model fit1 ugarchfit (specspec1, datasp500returns, out. sample0, solverquotsolnpquot, solver. controllist (trace0)) show (fit1) rollende voorspelling und VaR roll1ugarchroll (specspec1, datasp500returns, n. ahead1, forecast. length500, refit. every25, refit. windowquotrecursivequot, solverquotsolnpquot, solver. controllist (tol1e-05, delta1e-06, trace0), calculate. VaRTRUE, VaR. alphac (0,01, 0,05) ) verslag (roll1, typequotVaRquot, n. ahead1, VaR. alpha0.01, conf. level0.95) verslag (roll1, typequotfpmquot) plot (roll1, whichquotallquot) gebruik iGarch vir EWMA - vaste alfa en beta met lambda0.94 Model spec spec2 ugarchspec (variance. model lys (model quotiGARCHquot, garchOrder c (1, 1)), mean. modellist (armaOrderc (0,0), include. meanFALSE), distribution. model quotnormquot, fixed. pars lys (omega0, alpha10. 06)) fit2 ugarchfit (specspec2, datasp500returns, out. sample0, solverquotsolnpquot, solver. controllist (trace0)) show (fit2) filter model filt2 ugarchfilter (specspec2, datasp500returns) show (filt2) rollende voorspelling und VaR roll2ugarchroll (specspec2, datasp500returns, n. ahead1, forecast. length500, calculate. VaRTRUE, VaR. alphac (0,01, 0,05)) verslag (roll2, typequotVaRquot, n. ahead1, VaR. alpha0.01, conf. level0.95) verslag (roll2, typequotfpmquot) plot (roll2, whichquotallquot) 1. die probleem met die iGARCH model (wat verband hou met 'n slegte verstek) is 'n geruime tyd gelede in die r-Forge weergawe vaste (sal beskikbaar wees op CRAN wees as ek daar langs te dateer. aangesien dit afgekeur om 'n CRAN pakket meer as 12 keer werk in 'n jaar, moet jy kyk na R-Forge vir die nuutste weergawe te eniger tyd). Jy het 2 opsies: 1. Kry die nuutste weergawe van r-Forge OF 2. In ugarchfit stel die opsie quotfit. controllist (stationarityFALSE) quot 2. Dis beslis 'n probleem in die opsomming metode. Sal ondersoek toe ek 'n oomblik te kry. 3. Die fout met die funksie ugarchfilter C, wat verband hou met die nuutste weergawe van R, is ook vasgestel in die r-Forge vrylating. 4. Jy kan nie rol wanneer al die parameters vas. Dit maak nie eens sin maak Roll impliseer dat jy pas, vooruitskatting, re-pas. Aangesien jy al die parameters het vaste dan net gebruik om die filter metode op die data wat jy wil om te voorspel 1 groen lig, anders gebruik die voorspelling metode met 'n spec voorwerp en uit monster verskaf. Op 2012/03/05 21:23, ThomasF geskryf: GT Geagte R-gebruikers, liewe Alexios, GT GT Ek probeer rugarch gebruik om volatiliy voorspel en doen VAR-backtests behulp GT die eksponensieel geweeg bewegende gemiddelde. GT Om dit te bereik Ek gebruik die iGarch, stel omega tot 0 en óf raming of los GT alfa1 en beta1. Voorbeeld-kode word verskaf aan die einde van my boodskap. GT GT Sommige kwessies vorendag gekom wat id bly om op te los met jou hulp wees: GT GT 1) Wanneer ek probeer om alfa1 en beta1 pas, het ek altyd kry 0,5 as gevolg. Ek GT probeer dit vir verskillende Onderliggende en tyd horisonne. Enige idee wat die GT rede GT GT 2) Ek het ook 'n fout (Ek vertaal die fout boodskap na Engels) na die GT ARCH LM Toets uitset te kry kan wees: GT GT ARCH LM Toetse GT ---------- -------------------------- GT Statistiek DOF p-waarde GT ARCH Lag2 4,653 2 0,09765 GT ARCH Lag5 7,991 5 0,15672 GT ARCH Lag10 12,082 10 0,27959 GT Fout in name (ans) c (quot10quot, quot5quot, quot1quot). GT Attribut name 3 moet dieselfde lengte het as die vektor 0 GT GT Is daar iets fout met my kode of die manier waarop ek sit die data in die GT-model Die ander deel van die uitgange lyk ligitieme. GT GT 3) wanneer ek probeer om dieselfde te kan doen met 'n vaste Alpha ek kry die GT volgende fout wanneer ek probeer om die model te filtreer: GT GT 1: In doTryCatch (terugkeer (Expr), naam, parentenv, hanteerder). GT verby 'n voorwerp van tipe NULL om. C (arg 8) is afgekeur GT 2: In doTryCatch (terugkeer (Expr), naam, parentenv, hanteerder). GT verby 'n voorwerp van tipe NULL om. C (arg 9) is afgekeur GT GT Die ugarchfilter uitset lyk weer redelik. GT GT 4) Ek is nie in staat om 'n rollende voorspelling en VaR Uitgawe toe ek vaste GT alfa1 genereer. Kan jy asseblief vir my 'n wenk oor hoe om dit te doen met gefiltreerde GT data GT GT 5) Het enige van daardie kwessies ontstaan ​​van die gebruik van die data as GT GT quotzooquot voorwerp GT Dankie by voorbaat vir jou moeite om my te help GT uwe GT GT GT Thomas GT GT GT ----------------- Kode ---------- GT GT GT GT aflaai Dataamp Bereken Returns GT GT GT biblioteek (quottseriesquot) GT GT aangepas naby prys van SP500 GT sp500priceget. hist. quote (instrumentquotgspcquot, startquot2006-01-01quot, GT endquot2011-12-31quot, quotequotAdjClosequot) gt gt terug GT sp500returnsdiff (log (sp500price)) gt gt gt biblioteek (quotrugarchquot) gt gt GT GT GT gebruik iGarch vir EWMA - toegerus alfa en beta GT GT GT GT model spec GT spec1 ugarchspec (variance. model lys (model quotiGARCHquot, garchOrder c (1, GT 1)), mean. modellist (armaOrderc (0,0) , include. meanFALSE), GT distribution. model quotnormquot, fixed. pars lys (omega0)) gt gt Fit model GT fit1 ugarchfit (specspec1, datasp500returns, out. sample0, solverquotsolnpquot, GT solver. controllist (trace0)) GT show (fit1 ) gt gt rollende voorspelling und VaR GT roll1ugarchroll (specspec1, datasp500returns, n. ahead1, GT forecast. length500, refit. every25, refit. windowquotrecursivequot, GT solverquotsolnpquot, solver. controllist (tol1e-05, delta1e-06, trace0), GT calculate. VaRTRUE, VaR. alphac (0,01, 0,05)) gt gt verslag (roll1, typequotVaRquot, n. ahead1, VaR. alpha0.01, conf. level0.95) GT verslag (roll1, typequotfpmquot) GT plot (roll1, whichquotallquot ) gt gt gt gt gt gt gebruik iGarch vir EWMA - vaste alfa en beta met lambda0.94 GT GT GT GT model spec GT spec2 ugarchspec (variance. model lys (model quotiGARCHquot, garchOrder c (1, GT 1)), beteken. modellist (armaOrderc (0,0), include. meanFALSE), GT distribution. model quotnormquot, fixed. pars lys (omega0, alpha10.06)) gt gt Fit model. GT GT fit2 ugarchfit (specspec2, datasp500returns, out. sample0, solverquotsolnpquot, GT solver. controllist (trace0)) GT show (fit2) gt gt filter model GT filt2 ugarchfilter (specspec2, datasp500returns) GT show (filt2) gt gt rollende voorspelling und VaR GT GT roll2ugarchroll (specspec2, datasp500returns, n. ahead1, GT forecast. length500, calculate. VaRTRUE, VaR. alphac (0,01, 0,05)) gt gt verslag (roll2, typequotVaRquot, n. ahead1, VaR. alpha0.01, conf. level0.95) gt gt verslag (roll2, typequotfpmquot) GT plot (roll2, whichquotallquot) gt gt - GT Kyk hierdie boodskap in konteks: r.789695.n4.nabble / Rugarch-vir-EWMA-VAR-tp4607011 GT gestuur uit die Rmetrics poslys argief by Nabble. GT GT GT verborge e-pos poslys GT stat. ethz. ch/mailman/listinfo/r-sig-finance GT - intekenaar-plaas net. As jy wil om te post, skryf eers. GT - Let ook daarop dat dit nie die r-hulp lys waar algemene R vrae moet gaan. GT verborge e-pos poslys stat. ethz. ch/mailman/listinfo/r-sig-finance - net intekenaar-plaas. As jy wil om te post, skryf eers. - Let ook daarop dat dit nie die r-hulp lys waar algemene R vrae moet gaan. dankie vir jou vinnige antwoord. Im gaan die nuutste weergawe van R-Forge aflaai. Met betrekking tot 4) Ek het nog probleme. Ek het probeer om iets soos: forc2ugarchforecast (specspec2, datasp500returns, n. ahead1, out. sample500, calculate. VaRTRUE, VaR. alphac (0,01, 0,05)) en forc2ugarchforecast (specspec2, datasp500returns, n. ahead1, out. sample500) wat didnt werk vir my. Ek wil graag in staat wees om VAR-back testing Resultate en VAR-exceedence-grafieke te genereer soos ek gedoen het met die toegeruste model. Kan jy asseblief vir my help, miskien met 'n paar reëls van die kode wat ek reeds die voorbeeld kodes wat ek kon kry oor hoe om vooruitskatting kombineer met 'n vaste parameters en kry die VAR-Uitgawe nagegaan en nog didnt daarin slaag om dit te doen. 1. Die probleem met die iGARCH model (wat verband hou met 'n slegte verstek) 'n geruime tyd gelede in die r-Forge weergawe is vasgestel (sal beskikbaar wees op CRAN toe ek daar langs werk dit wees. Want dit is afgekeur om 'n CRAN pakket werk meer as 12 keer in 'n jaar, moet jy kyk na R-Forge vir die nuutste weergawe te eniger tyd). Jy het 2 opsies: 1. Kry die nuutste weergawe van r-Forge OF 2. In ugarchfit stel die opsie quotfit. controllist (stationarityFALSE) quot 2. Dis beslis 'n probleem in die opsomming metode. Sal ondersoek toe ek 'n oomblik te kry. 3. Die fout met die funksie ugarchfilter C, wat verband hou met die nuutste weergawe van R, is ook vasgestel in die r-Forge vrylating. 4. Jy kan nie rol wanneer al die parameters vas. Dit maak nie eens sin maak Roll impliseer dat jy pas, vooruitskatting, re-pas. Aangesien jy al die parameters het vaste dan net gebruik om die filter metode op die data wat jy wil om te voorspel 1 groen lig, anders gebruik die voorspelling metode met 'n spec voorwerp en uit monster verskaf. Op 2012/03/05 21:23, ThomasF geskryf: GT Geagte R-gebruikers, liewe Alexios, GT GT Ek probeer rugarch gebruik om volatiliy voorspel en doen VAR-backtests behulp GT die eksponensieel geweeg bewegende gemiddelde. GT Om dit te bereik Ek gebruik die iGarch, stel omega tot 0 en óf raming of los GT alfa1 en beta1. Voorbeeld-kode word verskaf aan die einde van my boodskap. GT GT Sommige kwessies vorendag gekom wat id bly om op te los met jou hulp wees: GT GT 1) Wanneer ek probeer om alfa1 en beta1 pas, het ek altyd kry 0,5 as gevolg. Ek GT probeer dit vir verskillende Onderliggende en tyd horisonne. Enige idee wat die GT rede GT GT 2) Ek het ook 'n fout (Ek vertaal die fout boodskap na Engels) na die GT ARCH LM Toets uitset te kry kan wees: GT GT ARCH LM Toetse GT ---------- -------------------------- GT Statistiek DOF p-waarde GT ARCH Lag2 4,653 2 0,09765 GT ARCH Lag5 7,991 5 0,15672 GT ARCH Lag10 12,082 10 0,27959 GT Fout in name (ans) c (quot10quot, quot5quot, quot1quot). GT Attribut name 3 moet dieselfde lengte het as die vektor 0 GT GT Is daar iets fout met my kode of die manier waarop ek sit die data in die GT-model Die ander deel van die uitgange lyk ligitieme. GT GT 3) wanneer ek probeer om dieselfde te kan doen met 'n vaste Alpha ek kry die GT volgende fout wanneer ek probeer om die model te filtreer: GT GT 1: In doTryCatch (terugkeer (Expr), naam, parentenv, hanteerder). GT verby 'n voorwerp van tipe NULL om. C (arg 8) is afgekeur GT 2: In doTryCatch (terugkeer (Expr), naam, parentenv, hanteerder). GT verby 'n voorwerp van tipe NULL om. C (arg 9) is afgekeur GT GT Die ugarchfilter uitset lyk weer redelik. GT GT 4) Ek is nie in staat om 'n rollende voorspelling en VaR Uitgawe toe ek vaste GT alfa1 genereer. Kan jy asseblief vir my 'n wenk oor hoe om dit te doen met gefiltreerde GT data GT GT 5) Het enige van daardie kwessies ontstaan ​​van die gebruik van die data as GT GT quotzooquot voorwerp GT Dankie by voorbaat vir jou moeite om my te help GT uwe GT GT GT Thomas GT GT GT ----------------- Kode ---------- GT GT GT GT Aflaai Data Bereken Returns GT GT GT biblioteek (quottseriesquot) GT GT aangepas naby prys van SP500 GT sp500priceget. hist. quote (instrumentquotgspcquot, startquot2006-01-01quot, GT endquot2011-12-31quot, quotequotAdjClosequot) gt gt terug GT sp500returnsdiff (log (sp500price)) gt gt gt biblioteek (quotrugarchquot) gt gt GT GT GT gebruik iGarch vir EWMA - toegerus alfa en beta GT GT GT GT model spec GT spec1 ugarchspec (variance. model lys (model quotiGARCHquot, garchOrder c (1, GT 1)), mean. modellist (armaOrderc (0,0) , include. meanFALSE), GT distribution. model quotnormquot, fixed. pars lys (omega0)) gt gt Fit model GT fit1 ugarchfit (specspec1, datasp500returns, out. sample0, solverquotsolnpquot, GT solver. controllist (trace0)) GT show (fit1 ) gt gt rollende voorspelling und VaR GT roll1ugarchroll (specspec1, datasp500returns, n. ahead1, GT forecast. length500, refit. every25, refit. windowquotrecursivequot, GT solverquotsolnpquot, solver. controllist (tol1e-05, delta1e-06, trace0), GT calculate. VaRTRUE, VaR. alphac (0,01, 0,05)) gt gt verslag (roll1, typequotVaRquot, n. ahead1, VaR. alpha0.01, conf. level0.95) GT verslag (roll1, typequotfpmquot) GT plot (roll1, whichquotallquot ) gt gt gt gt gt gt gebruik iGarch vir EWMA - vaste alfa en beta met lambda0.94 GT GT GT GT model spec GT spec2 ugarchspec (variance. model lys (model quotiGARCHquot, garchOrder c (1, GT 1)), beteken. modellist (armaOrderc (0,0), include. meanFALSE), GT distribution. model quotnormquot, fixed. pars lys (omega0, alpha10.06)) gt gt Fit model. GT GT fit2 ugarchfit (specspec2, datasp500returns, out. sample0, solverquotsolnpquot, GT solver. controllist (trace0)) GT show (fit2) gt gt filter model GT filt2 ugarchfilter (specspec2, datasp500returns) GT show (filt2) gt gt rollende voorspelling und VaR GT GT roll2ugarchroll (specspec2, datasp500returns, n. ahead1, GT forecast. length500, calculate. VaRTRUE, VaR. alphac (0,01, 0,05)) gt gt verslag (roll2, typequotVaRquot, n. ahead1, VaR. alpha0.01, conf. level0.95) gt gt verslag (roll2, typequotfpmquot) GT plot (roll2, whichquotallquot) gt gt - GT Kyk hierdie boodskap in konteks: r.789695.n4.nabble / Rugarch-vir-EWMA-VAR-tp4607011 GT gestuur uit die Rmetrics poslys argief by Nabble. GT GT GT verborge e-pos poslys GT stat. ethz. ch/mailman/listinfo/r-sig-finance GT - intekenaar-plaas net. As jy wil om te post, skryf eers. GT - Let ook daarop dat dit nie die r-hulp lys waar algemene R vrae moet gaan. GT verborge e-pos poslys stat. ethz. ch/mailman/listinfo/r-sig-finance - net intekenaar-plaas. As jy wil om te post, skryf eers. - Let ook daarop dat dit nie die r-hulp lys waar algemene R vrae moet gaan. Jy moet die dokumentasie meer noukeurig lees (jy vergeet om die opsie n. roll verklaar). Voorbeeld: biblioteek (rugarch) data (sp500ret) spec ugarchspec (variance. model lys (model quotiGARCHquot, garchOrder c (1,1)), mean. modellist (armaOrderc (0,0), include. meanTRUE), distribution. model quotnormquot , fixed. pars lys (mu beteken (sp500ret1: 100,1), omega0, alpha10.06)) voorspel die model vanaf t101 om 11500 voorspel 1 groen lig x 1399 rolle 1400 voorspellings (sluit die eerste skatting soos die rol nul) voorspelling ugarchforecast (spec, sp500ret1: 1500, dropFALSE, n. roll 1399, n. ahead 1, out. sample1400) voorwaardelike gemiddelde (net 'n konstante) CMU as. numeric (as. data. frame (vooruitskatting, wat quotseriesquot, rollframequotallquot , in lyn ONWAAR)) voorwaardelike sigma csigma as. numeric (as. data. frame (vooruitskatting, wat quotsigmaquot, rollframequotallquot, valse lyn)) gebruik locationscaling transformasie eiendom van normaalverdeling: VAR1 qnorm (0,01) csigma CMU VaR5 qnorm (0.05) csigma CMU dateer as. Date (rownames (sp500ret) 101: 1500) plot (datums, sp500ret101: 1500,1) lyne (datums, VAR1, Kol quotbluequot) lyne (datums, VaR5, Kol quotbrownquot) VaR overschrijdingen toets VaRTest (alfa 0,01, werklike sp500ret101: 1500,1, Var VAR1) VaRTest (alfa 0,05, werklike sp500ret101: 1500,1, Var VaR5) VaR Duur toets VaRDurTest (alfa 0,01, werklike sp500ret101: 1500,1, Var VAR1) VaRDurTest (alfa 0,05, werklike sp500ret101 : 1500,1, Var VaR5) Op 2012/03/05 23:05, ThomasF geskryf: GT Hallo Alexios, GT GT dankie vir jou vinnige antwoord. GT GT Im gaan die nuutste weergawe van R-Forge aflaai. GT GT Met betrekking tot 4) Ek het nog probleme. GT ek iets soos probeer: GT forc2ugarchforecast (specspec2, datasp500returns, n. ahead1, GT out. sample500, calculate. VaRTRUE, VaR. alphac (0,01, 0,05)) GT en GT forc2ugarchforecast (specspec2, datasp500returns, n. ahead1, GT uit. sample500) GT wat didnt werk vir my. GT GT Ek wil graag in staat wees om VAR-back testing Resultate en GT VAR-exceedence-grafieke te genereer soos ek gedoen het met die toegeruste model. GT Kan jy asseblief vir my help, miskien met 'n paar reëls van die kode wat ek reeds GT kyk na die voorbeeld kodes wat ek kon kry oor hoe om vooruitskatting kombineer met GT vaste parameters en kry die VAR-uitset en nog didnt dit regkry om te doen GT dit. GT GT Thomas GT GT GT GT GT GT Alexios geskryf gtgt gtgt Thomas, gtgt gtgt 1. Die probleem met die iGARCH model (wat verband hou met 'n slegte verstek) gtgt is 'n geruime tyd gelede in die r-Forge weergawe vaste (sal beskikbaar wees op wees gtgt CRAN toe ek volgende werk dit daar. aangesien dit afgekeur om 'n gtgt CRAN pakket werk meer as 12 keer in 'n jaar, moet jy kyk na R-Forge gtgt vir die nuutste weergawe te eniger tyd). gtgt Jy het 2 opsies: gtgt 1. Kry die nuutste weergawe van r-Forge OF, gtgt 2. In ugarchfit stel die opsie quotfit. controllist (stationarityFALSE) quot gtgt gtgt 2. Dis beslis 'n probleem in die opsomming metode. Sal ondersoek gtgt toe ek 'n oomblik te kry. gtgt gtgt 3. Die fout met die funksie ugarchfilter C, wat verband hou met die nuutste gtgt weergawe van R, is ook vasgestel in die r-Forge vrylating. gtgt gtgt 4. Jy kan nie rol wanneer al die parameters vas. Dit maak nie eens gtgt sin maak Roll impliseer dat jy pas, vooruitskatting, weer betaam. gtgt Aangesien jy al die parameters vasgestel dan net gebruik om die filter metode op gtgt die data wat jy wil om te voorspel 1 groen lig, anders gebruik die voorspelling metode met gtgt n spec voorwerp en uit monster verskaf. gtgt gtgt - Alexios gtgt gtgt Op 2012/03/05 21:23, ThomasF geskryf: gtgtgt Geagte R-gebruikers, liewe Alexios, gtgtgt gtgtgt Ek probeer rugarch gebruik om volatiliy voorspel en moenie VAR-backtests gtgtgt behulp gtgtgt die eksponensieel geweeg bewegende gemiddelde. gtgtgt Om dit te bereik Ek gebruik die iGarch, stel omega tot 0 en óf raming of gtgtgt fix gtgtgt alfa1 en beta1. Voorbeeld-kode word verskaf aan die einde van my boodskap. gtgtgt gtgtgt Sommige kwessies vorendag gekom wat id bly om op te los met jou hulp wees: gtgtgt gtgtgt 1) Wanneer ek probeer om alfa1 en beta1 pas, het ek altyd kry 0,5 as gevolg. Ek gtgtgt probeer dit vir verskillende Onderliggende en tyd horisonne. Enige idee wat die gtgtgt rede kan gtgtgt gtgtgt 2) Ek het ook 'n fout (Ek vertaal die fout boodskap na Engels) na gtgtgt die gtgtgt ARCH LM Toets uitset te kry: gtgtgt gtgtgt ARCH LM Toetse gtgtgt --------- --------------------------- gtgtgt Statistiek DOF p-waarde gtgtgt ARCH Lag2 4,653 2 0,09765 gtgtgt ARCH Lag5 7,991 5 0,15672 gtgtgt ARCH Lag10 12,082 10 0,27959 gtgtgt Fout in name (ans) c (quot10quot, quot5quot, quot1quot). gtgtgt Attribut name 3 moet dieselfde lengte het as die vektor 0 gtgtgt gtgtgt Is daar iets fout met my kode of die manier waarop ek sit die data in die gtgtgt model Die ander deel van die uitgange lyk ligitieme. gtgtgt gtgtgt 3) wanneer ek probeer om dieselfde berekeninge met 'n vaste Alpha ek kry die gtgtgt volgende fout doen wanneer ek probeer om die model te filtreer: gtgtgt gtgtgt 1: In doTryCatch (terugkeer (Expr), naam, parentenv, hanteerder). gtgtgt verby 'n voorwerp van tipe NULL om. C (arg 8) is afgekeur gtgtgt 2: In doTryCatch (terugkeer (Expr), naam, parentenv, hanteerder). gtgtgt verby 'n voorwerp van tipe NULL om. C (arg 9) is afgekeur gtgtgt gtgtgt Die ugarchfilter uitset lyk weer redelik. gtgtgt gtgtgt 4) Ek is nie in staat om 'n rollende voorspelling en VaR Uitgawe toe ek gtgtgt vaste gtgtgt alfa1 genereer. Kan jy asseblief vir my 'n wenk oor hoe om dit te doen met gefiltreerde gtgtgt data gtgtgt gtgtgt 5) Het enige van daardie kwessies ontstaan ​​van die gebruik van die data as gtgtgt gtgtgt quotzooquot voorwerp gtgtgt Dankie by voorbaat vir jou moeite om my te help gtgtgt uwe gtgtgt gtgtgt gtgtgt Thomas gtgtgt gtgtgt gtgtgt ----------------- Kode ---------- gtgtgt gtgtgt gtgtgt gtgtgt aflaai Dataamp Bereken Returns gtgtgt gtgtgt gtgtgt biblioteek (quottseriesquot) gtgtgt gtgtgt aangepas naby prys van SP500 gtgtgt sp500priceget. hist. quote (instrumentquotgspcquot, startquot2006-01-01quot, gtgtgt endquot2011-12-31quot, quotequotAdjClosequot) gtgtgt gtgtgt gtgtgt sp500returnsdiff (log (sp500price)) gtgtgt gtgtgt gtgtgt biblioteek (quotrugarchquot) gtgtgt gtgtgt terug gtgtgt gtgtgt gtgtgt gebruik iGarch vir EWMA - toegerus alfa en beta gtgtgt gtgtgt gtgtgt gtgtgt model spec gtgtgt spec1 ugarchspec (variance. model lys (model quotiGARCHquot, garchOrder gtgtgt c (1, gtgtgt 1)), mean. modellist (armaOrderc (0,0 ), include. meanFALSE), gtgtgt distribution. model quotnormquot, fixed. pars lys (omega0)) gtgtgt gtgtgt Fit model gtgtgt fit1 ugarchfit (specspec1, datasp500returns, out. sample0, gtgtgt solverquotsolnpquot, gtgtgt solver. controllist (trace0)) gtgtgt show (fit1) gtgtgt gtgtgt rollende voorspelling und VaR gtgtgt roll1ugarchroll (specspec1, datasp500returns, n. ahead1, gtgtgt forecast. length500, refit. every25, refit. windowquotrecursivequot, gtgtgt solverquotsolnpquot, solver. controllist (tol1e-05, delta1e-06, trace0) , gtgtgt calculate. VaRTRUE, VaR. alphac (0,01, 0,05)) gtgtgt gtgtgt verslag (roll1, typequotVaRquot, n. ahead1, VaR. alpha0.01, conf. level0.95) gtgtgt verslag (roll1, typequotfpmquot) gtgtgt plot (roll1 , whichquotallquot) gtgtgt gtgtgt gtgtgt gtgtgt gtgtgt gtgtgt gebruik iGarch vir EWMA - vaste alfa en beta met lambda0.94 gtgtgt gtgtgt gtgtgt gtgtgt model spec gtgtgt spec2 ugarchspec (variance. model lys (model quotiGARCHquot, garchOrder gtgtgt c (1, gtgtgt 1)) , mean. modellist (armaOrderc (0,0), include. meanFALSE), gtgtgt distribution. model quotnormquot, fixed. pars lys (omega0, alpha10.06)) gtgtgt gtgtgt Fit model. gtgtgt gtgtgt fit2 ugarchfit (specspec2, datasp500returns, out. sample0, gtgtgt solverquotsolnpquot, gtgtgt solver. controllist (trace0)) gtgtgt show (fit2) gtgtgt gtgtgt filter model gtgtgt filt2 ugarchfilter (specspec2, datasp500returns) gtgtgt show (filt2) gtgtgt gtgtgt rollende voorspelling und VaR gtgtgt gtgtgt roll2ugarchroll (specspec2, datasp500returns, n. ahead1, gtgtgt forecast. length500, calculate. VaRTRUE, VaR. alphac (0,01, 0,05)) gtgtgt gtgtgt verslag (roll2, typequotVaRquot, n. ahead1, VaR. alpha0.01, conf. level0.95) gtgtgt gtgtgt verslag (roll2, typequotfpmquot) gtgtgt plot (roll2, whichquotallquot) gtgtgt gtgtgt - gtgtgt Kyk hierdie boodskap in konteks: gtgtgt r.789695.n4.nabble / Rugarch-vir-EWMA-VAR-tp4607011 gtgtgt gestuur word vanaf die Rmetrics poslys argief by Nabble. gtgtgt gtgtgt gtgtgt R-SIG-Finansies poslys gtgtgt stat. ethz. ch/mailman/listinfo/r-sig-finance gtgtgt - intekenaar-plaas net. As jy wil om te post, skryf eers. gtgtgt - Let ook daarop dat dit nie die r-hulp lys waar algemene R vrae gtgtgt moet gaan. gtgtgt gtgt gtgt gtgt R-SIG-Finansies poslys gtgt stat. ethz. ch/mailman/listinfo/r-sig-finance gtgt - intekenaar-plaas net. As jy wil om te post, skryf eers. gtgt - Let ook daarop dat dit nie die r-hulp lys waar algemene R vrae gtgt moet gaan. gtgt GT GT GT - GT Kyk hierdie boodskap in konteks: r.789695.n4.nabble / Rugarch-vir-EWMA-VAR-tp4607011p4607222 GT gestuur word vanaf die Rmetrics poslys argief by Nabble. GT GT GT verborge e-pos poslys GT stat. ethz. ch/mailman/listinfo/r-sig-finance GT - intekenaar-plaas net. As jy wil om te post, skryf eers. GT - Let ook daarop dat dit nie die r-hulp lys waar algemene R vrae moet gaan. GT verborge e-pos poslys stat. ethz. ch/mailman/listinfo/r-sig-finance - net intekenaar-plaas. As jy wil om te post, skryf eers. - Let ook daarop dat dit nie die r-hulp lys waar algemene R vrae moet go. Slideshare gebruik koekies om funksionaliteit en prestasie te verbeter, en om jou te voorsien met relevante advertensies. As jy nog steeds op die terrein, stem jy in tot die gebruik van koekies op hierdie webwerf. Sien ons Gebruikers ooreenkoms en Privaatheidsbeleid. Slide gebruik koekies om te verbeter funksies en prestasie, en om jou te voorsien met relevante advertensies. As jy nog steeds op die terrein, stem jy in tot die gebruik van koekies op hierdie webwerf. Sien ons Privaatheidsklousule en Gebruikers ooreenkoms vir meer inligting. Vind al jou gunsteling onderwerpe in die Slide inligting Kry die Slide app om te spaar vir later selfs op die regte pad voort na die mobiele webwerf oplaai Teken Teken Double tap om te vergroot EWMA VAR-modelle Deel hierdie Slide LinkedIn Corporation kopieer 2016