R实现动态条件相关模型与GARCH模型结合研究中美股市动态相关性(DCC-GARCH模型)

本文主要是介绍R实现动态条件相关模型与GARCH模型结合研究中美股市动态相关性(DCC-GARCH模型),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

      大家好,我是带我去滑雪!

      中美两国是全球最大的经济体,其经济活动对全球产业链和贸易体系都具有巨大影响。中美之间的经济互动包括大规模的贸易、投资和金融往来。这些互动不仅仅反映在经济数据上,还体现在股市上。中美股市的联动关系反映了全球化时代的现实。它们的表现不仅关乎两国自身经济,还对全球经济和金融市场有着深远的影响。因此,了解和关注这种联动关系对投资者、政策制定者和全球市场观察者来说都至关重要。本期使用DCC-GARCH模型研究近20年中美股市的动态相关性。

目录

一、数据搜集与预处理

(1)收益率的描述统计

(2)ADF平稳性检验

(3)ARCH效应检验

(4)绘制指数与收益率的时序图

二、DCC-GARCH的估计

(1)估计结果

(2) 绘制DCC估计后的条件均值图、条件方差图、条件协方差图 、动态条件相关系数图


一、数据搜集与预处理

        目标是选用S&P综合指数(GSPC)的周对数收益率作为美国股市的市场收益率,选用上证综合指数(SSEC)的周对数收益率作为中国股市的市场收益率。数据样本区间为1997年7月到2017年7月,共计1048例收盘价,数据均来源于雅虎财经。由于获取的原始数据是指数的收盘价,因此可以先求得指数的收益率,并放大100倍。下面对收益率进行时间序列数据建模前的各自准备工作,包括收益率的描述统计、平稳性检验、ARCH效应检验,下面分别一一进行。

install.packages("fBasics",repos="http://mirrors.tuna.tsinghua.edu.cn/CRAN/")
install.packages("FinTS",repos="http://mirrors.tuna.tsinghua.edu.cn/CRAN/")
install.packages("rmgarch",repos="http://mirrors.tuna.tsinghua.edu.cn/CRAN/")
install.packages("MTS",repos="http://mirrors.tuna.tsinghua.edu.cn/CRAN/")
library(fBasics);library(FinTS);library(tseries)
library(rmgarch);library(MTS)

#安装并调用包

dat1.tmp <- read.csv("E:/GSPC.csv"); head(dat1.tmp)
dat2.tmp <- read.csv("E:/SSEC.csv"); head(dat2.tmp)

#导入数据

dat1=xts::as.xts(dat1.tmp[,2],as.Date(dat1.tmp[,1]))
dat2=xts::as.xts(dat2.tmp[,2],as.Date(dat2.tmp[,1]))
head(dat1);head(dat2)

#将导入的数据转换为时间序列格式

R1=diff(log(dat1))*100;R1=R1[-1]   #Compute Returns
names(R1)="GSPC";head(R1)

R2=diff(log(dat2))*100;R2=R2[-1]   #Compute Returns
names(R2)="SSEC" ;head(R2)

#求得指数的收益率,并放大100倍

输出结果:

                SSEC
1997-07-13  4.658029
1997-07-20 -3.276194
1997-07-27  1.858668
1997-08-03  1.102607
1997-08-10 -5.364068
1997-08-17  2.485685

                 GSPC
1997-07-13 -0.1506572
1997-07-20  2.5339921
1997-07-27  0.8855145
1997-08-03 -1.4463145
1997-08-10 -3.5689432
1997-08-17  2.4919732

(1)收益率的描述统计

DataRet=na.omit(cbind(R1,R2));#去除缺失值
tail(DataRet);nrow(DataRet)#展示最后6行,并计算收益率长度

输出结果:

                 GSPC      SSEC
2017-06-25 -0.61254923 1.0882729
2017-07-02  0.07301175 0.7965253
2017-07-09  1.39588457 0.1385001
2017-07-16  0.53814120 0.4818579
2017-07-23 -0.01779466 0.4701144
2017-07-30  0.19115167 0.2713932
[1] 1047
basicStats(DataRet)

输出结果:

                   GSPC        SSEC
nobs        1047.000000 1047.000000
NAs            0.000000    0.000000
Minimum      -20.083751  -14.897934
Maximum       11.355896   13.944743
1. Quartile   -1.137209   -1.738476
3. Quartile    1.404862    1.904221
Mean           0.094936    0.099183
Median         0.196563    0.050927
Sum           99.397639  103.844343
SE Mean        0.076118    0.103059
LCL Mean      -0.054426   -0.103043
UCL Mean       0.244297    0.301408
Variance       6.066269   11.120290
Stdev          2.462980    3.334710
Skewness      -0.775533   -0.128495
Kurtosis       6.394769    2.291610

(2)ADF平稳性检验

adf.test(R1);

输出结果:

    Augmented Dickey-Fuller Test

data:  R1
Dickey-Fuller = -9.8464, Lag order = 10, p-value = 0.01
alternative hypothesis: stationary

adf.test(R2);

输出结果:

    Augmented Dickey-Fuller Test

data:  R2
Dickey-Fuller = -8.1659, Lag order = 10, p-value = 0.01
alternative hypothesis: stationary

        由于 时间序列数据进行建模时,需要了解数据的平稳性,以保证模型的有效性。通过ADF检验可以发现中美股市收益率是平稳的。

(3)ARCH效应检验

ArchTest(R1,lags=15,demean=T)

输出结果:

    ARCH LM-test; Null hypothesis: no ARCH effects

data:  R1
Chi-squared = 158.22, df = 15, p-value < 2.2e-16

ArchTest(R2,lags=15,demean=T)

输出结果:

    ARCH LM-test; Null hypothesis: no ARCH effects

data:  R2
Chi-squared = 127.52, df = 15, p-value < 2.2e-16

       通过ARCH检验可以发现中美股市收益率之间存在ARCH效应,说明可以运用GARCH模型。

(4)绘制指数与收益率的时序图

opar=par(no.readonly=T)
par(mfrow=c(2,2))
plot(dat1,main="GSPC",xlab="Time",ylab="Index")
plot(dat2,main="SSEC",xlab="Time",ylab="Index")
plot(R1,main="GSPC",xlab="Time",ylab="log return")
plot(R2,main="SSEC",xlab="Time",ylab="log return")
par(opar)

输出结果:

       通过时序图可以发现,美国收益率指数虽然在互联网泡沫和次贷危机期间大幅度下降,但大部分时期指数是上涨的。而中国指数在2007年到2008年以及2015年到2016年两个时间段显著大涨大跌,其他时期的走势相对平稳,但上行行情远没有美国的多。通过收益率的时序图可以发现,中美两国收益率都存在显著的波动聚集现象,并且中国的波动幅度大于美国的波动。

二、DCC-GARCH的估计

(1)估计结果

n=ncol(DataRet)
p=1;q=1
meanSpec=list(armaOrder=c(1,0),include.mean=TRUE,archpow=1)
varSpec=list(model="sGARCH",garchOrder = c(p,q))
distSpec=c("mvt") #c("mvnorm", "mvt", "mvlaplace")

spec1=ugarchspec(mean.model=meanSpec,variance.model=varSpec)
mySpec=multispec(replicate(n, spec1))

mySpec=dccspec(mySpec, VAR=F, robust=F, lag=1, lag.max=NULL,lag.criterion=c("AIC"), external.regressors = NULL,    robust.control = list(gamma = 0.25, delta = 0.01, nc = 10, ns = 500),    dccOrder = c(1, 1),    distribution = distSpec, start.pars = list(), fixed.pars = list())
fit_dcc=dccfit(data=DataRet, mySpec, out.sample=10, solver="solnp", solver.control = list(), fit.control = list(eval.se = TRUE, stationarity = TRUE, scale = FALSE), parallel = TRUE, parallel.control = list(pkg = c("multicore"), cores = 2), fit = NULL, VAR.fit = NULL)
RSD=residuals(fit_dcc);
show(fit_dcc)

输出结果:


*---------------------------------*
*          DCC GARCH Fit          *
*---------------------------------*

Distribution         :  mvt
Model                :  DCC(1,1)
No. Parameters       :  14
[VAR GARCH DCC UncQ] : [0+10+3+1]
No. Series           :  2
No. Obs.             :  1037
Log-Likelihood       :  -4863.167
Av.Log-Likelihood    :  -4.69 

Optimal Parameters
-----------------------------------
               Estimate  Std. Error  t value Pr(>|t|)
[GSPC].mu      0.215241    0.055014   3.9125 0.000091
[GSPC].ar1    -0.112713    0.034833  -3.2359 0.001213
[GSPC].omega   0.302235    0.131215   2.3034 0.021259
[GSPC].alpha1  0.196408    0.060734   3.2339 0.001221
[GSPC].beta1   0.762232    0.064558  11.8069 0.000000
[SSEC].mu      0.078023    0.096492   0.8086 0.418748
[SSEC].ar1     0.053512    0.034308   1.5598 0.118816
[SSEC].omega   0.388848    0.206514   1.8829 0.059712
[SSEC].alpha1  0.117551    0.036551   3.2161 0.001300
[SSEC].beta1   0.848819    0.047688  17.7993 0.000000
[Joint]dcca1   0.013581    0.007305   1.8591 0.063013
[Joint]dccb1   0.971799    0.011366  85.5008 0.000000
[Joint]mshape  8.290728    1.110120   7.4683 0.000000

Information Criteria
---------------------
                   
Akaike       9.4063
Bayes        9.4730
Shibata      9.4059
Hannan-Quinn 9.4316


Elapsed time : 3.121074 

(2) 绘制DCC估计后的条件均值图、条件方差图、条件协方差图 、动态条件相关系数图

plot(fit_dcc)

需要数据集的家人们可以去百度网盘(永久有效)获取:

链接:https://pan.baidu.com/s/1E59qYZuGhwlrx6gn4JJZTg?pwd=2138
提取码:2138 


更多优质内容持续发布中,请移步主页查看。

   点赞+关注,下次不迷路!

这篇关于R实现动态条件相关模型与GARCH模型结合研究中美股市动态相关性(DCC-GARCH模型)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/191883

相关文章

pandas中位数填充空值的实现示例

《pandas中位数填充空值的实现示例》中位数填充是一种简单而有效的方法,用于填充数据集中缺失的值,本文就来介绍一下pandas中位数填充空值的实现,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是中位数填充?为什么选择中位数填充?示例数据结果分析完整代码总结在数据分析和机器学习过程中,处理缺失数

Golang HashMap实现原理解析

《GolangHashMap实现原理解析》HashMap是一种基于哈希表实现的键值对存储结构,它通过哈希函数将键映射到数组的索引位置,支持高效的插入、查找和删除操作,:本文主要介绍GolangH... 目录HashMap是一种基于哈希表实现的键值对存储结构,它通过哈希函数将键映射到数组的索引位置,支持

Pandas使用AdaBoost进行分类的实现

《Pandas使用AdaBoost进行分类的实现》Pandas和AdaBoost分类算法,可以高效地进行数据预处理和分类任务,本文主要介绍了Pandas使用AdaBoost进行分类的实现,具有一定的参... 目录什么是 AdaBoost?使用 AdaBoost 的步骤安装必要的库步骤一:数据准备步骤二:模型

使用Pandas进行均值填充的实现

《使用Pandas进行均值填充的实现》缺失数据(NaN值)是一个常见的问题,我们可以通过多种方法来处理缺失数据,其中一种常用的方法是均值填充,本文主要介绍了使用Pandas进行均值填充的实现,感兴趣的... 目录什么是均值填充?为什么选择均值填充?均值填充的步骤实际代码示例总结在数据分析和处理过程中,缺失数

Java对象转换的实现方式汇总

《Java对象转换的实现方式汇总》:本文主要介绍Java对象转换的多种实现方式,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录Java对象转换的多种实现方式1. 手动映射(Manual Mapping)2. Builder模式3. 工具类辅助映

Go语言开发实现查询IP信息的MCP服务器

《Go语言开发实现查询IP信息的MCP服务器》随着MCP的快速普及和广泛应用,MCP服务器也层出不穷,本文将详细介绍如何在Go语言中使用go-mcp库来开发一个查询IP信息的MCP... 目录前言mcp-ip-geo 服务器目录结构说明查询 IP 信息功能实现工具实现工具管理查询单个 IP 信息工具的实现服

Python的time模块一些常用功能(各种与时间相关的函数)

《Python的time模块一些常用功能(各种与时间相关的函数)》Python的time模块提供了各种与时间相关的函数,包括获取当前时间、处理时间间隔、执行时间测量等,:本文主要介绍Python的... 目录1. 获取当前时间2. 时间格式化3. 延时执行4. 时间戳运算5. 计算代码执行时间6. 转换为指

SpringBoot基于配置实现短信服务策略的动态切换

《SpringBoot基于配置实现短信服务策略的动态切换》这篇文章主要为大家详细介绍了SpringBoot在接入多个短信服务商(如阿里云、腾讯云、华为云)后,如何根据配置或环境切换使用不同的服务商,需... 目录目标功能示例配置(application.yml)配置类绑定短信发送策略接口示例:阿里云 & 腾

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.