时间序列命令及公式结论
第一章
1.读取数据中的某一列(数据要读出了那列才能做很多分析)
Code: Szcz2=Szcz1$price
2.做时间序列的散点图
Code: tsplot(Szcz2)
3.计算收益率
Code: Szcz = getReturns(Szcz2, type="continuous", percentage=T)
4.化对数收益率为简单收益率
Code: ibmsimple=exp(ibmln/100)-1
5.在同一版面画一个a行b列的图
par(mfrow=c(a,b))
6.在时间序列图中加坐标轴和图标
tsplot(ibmln,xlab="year",ylab="rates",main="log returns")
7.一些基本操作
①算数据长度:length( )
②算方差:var( )
③开方:sqrt( )
④算偏度:skewness( )
⑤算峰度:kurtosis( )
⑥总结:summary( )
⑦做QQ图:qqplot( )
⑧做直方图:hist( )
⑨T检验:t .test( )
⑩产生1000个均值为0,方差为1的随机数:x=rnorm(1000,0,1)
考:课后习题1 or 2 答案格式仿P16页表格。
习题1①打开数据d.aa9099 aa=d.aa9099$Col1↓mean(aa)↓var(aa) ↓skewness(aa)↓kurtosis(aa)-3↓min(aa) ↓max(aa) ↓②aas=(exp(aa/100)-1)*100↓mean(aas) ↓var(aas) ↓skewness(aas) ↓ kurtosis(aas)-3↓min(aas) ↓max(aas) ↓③t.test(aa) ↓ (↓为回车)
公式结论
(其中R为简单收益率,P为价格)
(其中r为对数收益率,R为简单收益率)
第二章
1.自相关检验
Code: autocorTest(vw,lag.n=10, method="lb")
2.计算acf
vw.acf=acf(vw)
3.计算pacf
vw.pacf=acf(vw,10,"partial")
4.构造一个AR(2)模型
Code: fix(ar.2)↓function(n, phi1, phi2)↓{rho = rep(0, n)↓rho[1] = 1↓rho[2] = phi1/(1 - phi2)↓for(i in 3:n) { rho[i] = phi1 * rho[i - 1] + phi2 * rho[i -2] }↓tsplot(rho, type = "h", xlab = "lag", ylab = "acf")↓abline(h = 0)↓return(rho)}—保存 ar.2(20,-.2,0.35)↓
5.建立一个AR(3)模型
Code: ar.vw=arima.mle(vw,model=list(order=c(3,0,0)),xreg=1)
6.调出模型结果
Code: names(ar.vw)↓ar.vw$sigma2
7.AR预测(6步预测)
Code:ar.vw.fcst=arima.forecast(vw5,n=6,model=ar.vw5$model)↓ar.vw.forcast=ar.vw.fcst$mean+ar.vw5$reg.coef
8.建立一个MA(9)模型
Code: ew.ma9=arima.mle(ew,model=list(order=c(0,0,9),ma.opt=c(T,F,T,F,F,F ,F,F,T)),xreg=1)
9.MA预测
Code: ma.mew.fcst1=arima.forecast(mew,n=6,model=mew.ma9$model)
ma.mew.fcst=mew.ma9$reg.coef+ma.mew.fcst$mean
10.建立一个ARMA(1,1)模型
Code:ar11.chem=arima.mle(chem.output, model=list(order=c(1,0,1)),xreg=1)
习题做过P76 2、3、5、6、7 后四题答案在课间从P131页开始
公式结论
(其中γL为为L阶自协方差)
(为滞后L阶的自相关系数)
L-B检验:检验统计量:
检验结果:if p-value is less than 0.05,then monthly value-weighted index have significant serial correlations.
P阶自回归模型:
AR(1)模型:均值: 方差:
条件: acf:(指数衰减)
AR(2)模型: acf:
AR(p)模型:均值: PACF:在P阶截尾
MA(q)模型:
均值: 方差:
ARMA(p,q)模型:
第三章
1.检验ARCH效应①(L-B检验)
Code:autocorTest((exch.perc-mean(exch.perc))^2,lag=10,method="lb")
②L-M检验
Code: archTest(exch.perc- mean(exch.perc), lag.n=12)
2.建立一个u为常数的ARCH(4)模型
Code:m.intc.modarch4=garch(m.intc~1,~garch(4,0))
3. 建立一个u为arma(1,1)的ARCH(4)模型
Code:m.intc.modarch4=garch(m.intc~arma(1, 1), ~garch(4,0))
4.调出模型结果
Code: summary(m.intc.modarch4)
5.预测
Code:m.intc.modarch4.pred=predict(m.intc.modarch4,5)
6.建立自由度为5的t分布的ARCH(1)模型
Code:m.intc.modarch.t.1=garch(m.intc~1,~garch(1,0), cond.dist="t" , dist.par=5, dist.est=F)
7. 建立t分布的ARCH(1)模型
Code:m.intc.modarch.t.1=garch(m.intc~1,~garch(1,0), cond.dist="t" )
8.建立一个GARCH模型
Code:sp.garch=garch(sp~1,~garch(1,1))
9.预测
Code:sp.garch.pred=predict(sp.garch,5)
10.建立一个GARCH(1,1)-M模型
Code:sp.mgarch=garch(sp~var.in.mean,~garch(1,1))
11.建立一个EGARCH(1,1)模型
Code:mibmfit=garch(mibm~1,~egarch(1,1),leverage=T)
考:课后习题5 or 7 or 8
习题7:①打开数据m-mmm.dat mmsimple=d.aa9099$Col1↓
mmlog=(log(mmsimple/100+1))*100↓
autocorTest((mmlog-mean(mmlog))^2,lag=5,method="lb")↓
autocorTest((mmlog-mean(mmlog))^2,lag=10,method="lb")↓
②acf(mmlog* mmlog,15,"partial")↓③mmlog.arch5=garch(m.intc~1,~garch(5,0)) ↓
summary(mmlog.arch5) ↓mmlog.arch5.pred=predict(mmlog.arch5,2) ↓
④mmlog.mgarch=garch(mmlog~var.in.mean,~garch(1,1)) ↓
⑤mmlog.egarch=garch(mmlog~1,~egarch(1,1),leverage=T) ↓
mmlog.egarch.pred=predict(mmlog.egarch,2)
公式结论
ARCH模型:
L-M检验: 统计量:
检验结果:if p-value is less than 0.05,then there are no ARCH effects
GARCH模型:
IGARCH(1,1)模型:
GARCH(1,1)-M模型:
EGARCH(1,1)模型:
第四章
1. 计算J.P.Morgan 的风险度量制中的
Code:dibm.ewma.sd=sqrt(EWMA(dibm^2,lambda=0.94))
2.计算J.P.Morgan 的风险度量制中的σt+1
Code:sigma9191=sqrt(0.94*dibm.ewma.sd[9190]^2+(1-0.94)* dibm [9190]^2 )
3.学生t分布中以GARCH(1,1)模型估计
Code:dibmfit.t=garch(dibm~1,~garch(1,1),cond.dist="t",dist.par=5,dist.est=F)
4.利用上面的GARCH(1,1)模型预测下一期的与
Code:predict(dibmfit.t)
5.计算利用上面的GARCH(1,1)模型预测的15天的VaR
Code:dibmpred=predict(dibmfit,15)↓VaR=sum(ibmpred$series.pred/100)-1.6449 *sqrt(sum((ibmpred$sigma.pred/100)^2))
公式结论
正态分布VaR(在险风险值): (k为时间)
J.P.Morgan 的风险度量制:
日数据:λ=0.94 月数据:λ=0.97 学生t分布VaR:
本文来源:https://www.2haoxitong.net/k/doc/f694bd303968011ca30091ad.html
文档为doc格式