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)

      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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/159849.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

吃瓜教程-模型的评估与选择

在训练集上的误差称为训练误差&#xff08;training error&#xff09;或经验误差&#xff08;empirical error&#xff09;。在测试集上的误差称为测试误差&#xff08;test error&#xff09;。学习器在所有新样本上的误差称为泛化误差&#xff08;generalization error&…

drawio简介以及下载安装

drawio简介以及下载安装 drawio是一款非常强大的开源在线的流程图编辑器&#xff0c;支持绘制各种形式的图表&#xff0c;提供了 Web端与客户端支持&#xff0c;同时也支持多种资源类型的导出。 访问网址&#xff1a;draw.io或者直接使用app.diagrams.net直接打开可以使用在线版…

PyTorch 深度学习之处理多维特征的输入Multiple Dimension Input(六)

1.Multiple Dimension Logistic Regression Model 1.1 Mini-Batch (N samples) 8D->1D 8D->2D 8D->6D 1.2 Neural Network 学习能力太好也不行&#xff08;学习到的是数据集中的噪声&#xff09;&#xff0c;最好的是要泛化能力&#xff0c;超参数尝试 Example, Arti…

软件工程与计算总结(九)软件体系结构基础

目录 ​编辑 一.体系结构的发展 二.理解体系结构 1.定义 2.区分体系结构的抽象与实现 3.部件 4.连接件 5.配置 三.体系结构风格初步 1.主程序/子程序 2.面向对象式 3.分层 4.MVC 一.体系结构的发展 小规模编程的重点在于模块内部的程序结构非常依赖于程序设计语言…

仪酷LabVIEW OD实战(3)——Object Detection+onnx工具包快速实现yolo目标检测

‍‍&#x1f3e1;博客主页&#xff1a; virobotics(仪酷智能)&#xff1a;LabVIEW深度学习、人工智能博主 &#x1f384;所属专栏&#xff1a;『LabVIEW深度学习工具包』『仪酷LabVIEW目标检测工具包实战』 &#x1f4d1;上期文章&#xff1a;『仪酷LabVIEW OD实战(2)——Obje…

E047-论坛漏洞分析及利用-针对Wordpress论坛进行信息收集与漏洞扫描的探索

任务实施: E047-论坛漏洞分析及利用-针对Wordpress论坛进行信息收集与漏洞扫描的探索 任务环境说明&#xff1a; 服务器场景&#xff1a;p9_kali-6&#xff08;用户名&#xff1a;root&#xff1b;密码&#xff1a;toor&#xff09; 服务器场景操作系统&#xff1a;Kali Li…

MPNN 模型:GNN 传递规则的实现

首先&#xff0c;假如我们定义一个极简的传递规则 A是邻接矩阵&#xff0c;X是特征矩阵&#xff0c; 其物理意义就是 通过矩阵乘法操作&#xff0c;批量把图中的相邻节点汇聚到当前节点。 但是由于A的对角线都是 0.因此自身的节点特征会被过滤掉。 图神经网络的核心是 吸周围…

mysql中的几种排名函数

mysql中的排名函数 mysql里面的排名函数&#xff0c;涉及有以下几个&#xff1a; rank()、dense_rank()、row_number() 1、rank() 函数 RANK() OVER (PARTITION BY <expression>[{,<expression>...}]ORDER BY <expression> [ASC|DESC], [{,<expression…

MySQL有时候命中索引有时候又不命中

索引失效的情况 -----可能 索引主要看where 、group by 、order by 1.组合索引不遵循最佳左前缀法制。最佳左前缀法制&#xff1a;如果索引了多列&#xff0c;要遵循最左前缀法则&#xff0c;指的是查询从索引的最左前列开始并且不跳过索引中的列。如组合索引为A B C 只有ABC,A…

C# RestoreFormer 图像修复

效果 项目 代码 using Microsoft.ML.OnnxRuntime; using Microsoft.ML.OnnxRuntime.Tensors; using OpenCvSharp; using System; using System.Collections.Generic; using System.Drawing; using System.Drawing.Imaging; using System.Windows.Forms;namespace 图像修复 {pu…

【SpringCloud-10】SCA-nacos

前言&#xff1a; 前面介绍的springcloud&#xff0c;可以看做第一代&#xff0c;称为&#xff1a;SCN&#xff08;spring cloud Netflix&#xff09;; 接下来介绍的是第二代&#xff1a;SCA&#xff08;spring cloud alibaba&#xff09;&#xff1b; SCA主要有以下组件&#…

Java|学习|异常

1.异常 1.1 异常 1.1.1 概述 异常&#xff1a;就是程序出现了不正常的情况。 Error&#xff1a;严重问题&#xff0c;不需要处理。 Exception&#xff1a;称为异常类&#xff0c;它表示程序本身可以处理的问题。 RuntimeException&#xff1a;在编译器不检查&#xff0c;出…

关于Skywalking Agent customize-enhance-trace对应用复杂参数类型取值

对于Skywalking Agent customize-enhance-trace 大家应该不陌生了&#xff0c;主要支持以非入侵的方式按用户自定义的Span跟踪对应的应用方法&#xff0c;并获取数据。 参考https://skywalking.apache.org/docs/skywalking-java/v9.0.0/en/setup/service-agent/java-agent/cust…

论文阅读:Rethinking Range View Representation for LiDAR Segmentation

来源ICCV2023 0、摘要 LiDAR分割对于自动驾驶感知至关重要。最近的趋势有利于基于点或体素的方法&#xff0c;因为它们通常产生比传统的距离视图表示更好的性能。在这项工作中&#xff0c;我们揭示了建立强大的距离视图模型的几个关键因素。我们观察到&#xff0c;“多对一”…

TCP/IP(九)TCP的连接管理(六)TIME_WAIT状态探究

一 TIME_WAIT探究 要明确TIME_WAIT状态在tcp四次挥手的阶段 ① 为什么 TIME_WAIT 等待的时间是 2MSL? 背景&#xff1a; 客户端在收到服务端第三次FIN挥手后,就会进入TIME_WAIT 状态,开启时长为2MSL的定时器1、MSL 是 Maximum Segment Lifetime 报文最大生存时间2、2MSL…

论文阅读之【Is GPT-4 a Good Data Analyst?(GPT-4是否是一位好的数据分析师)】

文章目录 论文阅读之【Is GPT-4 a Good Data Analyst?&#xff08;GPT-4是否是一位好的数据分析师&#xff09;】背景&#xff1a;数据分析师工作范围基于GPT-4的端到端数据分析框架将GPT-4作为数据分析师的框架的流程图 实验分析评估指标表1&#xff1a;GPT-4性能表现表2&…

跨境商城源码有哪些独特的功能和优势

1. 强大的跨境支付功能 跨境商城源码具备强大的跨境支付功能&#xff0c;支持多种支付方式&#xff0c;包括信用卡、支付宝、微信支付等。该功能遵循国际支付标准&#xff0c;能够确保支付过程的安全性和可靠性&#xff0c;为用户提供便捷的跨境购物体验。 2. 多语言和多货币支…

[GAMES101]透视投影变换矩阵中为什么需要改变z值

一、问题提出 在GAMES101-Lecture4 Transformation Matrices 一节中&#xff0c;闫老师介绍了正交投影和透视投影。 在讲透视投影变换矩阵 M p e r s p → o r t h o M_{persp→ortho} Mpersp→ortho​时&#xff0c;同学们对矩阵中的z分量是变化的还是不变的有很多争论。即下…

MySQL多表查询综合练习

1.创建student和score表 CREATE TABLE student ( id INT(10) NOT NULL UNIQUE PRIMARY KEY , name VARCHAR(20) NOT NULL , sex VARCHAR(4) , birth YEAR, department VARCHAR(20) , address VARCHAR(50) ); 创建score表。SQL代码如下&#xff1a; CREATE TABLE sc…

Postgresql关于EOH的使用注意

注意通常拿到的指针不是EOH头 EOH是一种扩展数据结构&#xff0c;之前有几篇博客讨论过了&#xff0c;最近在改相关代码加深了一些理解。 EOH目前支持ER_methods、EA_methods两套实现&#xff0c;分别是record类型展开和数组类型展开。 在内存中的样子大概是&#xff08;EA为…