關于GARCH的研究報告，包括一些圖形和統計輸出。

本文分析將用于制定管理客戶和供應商關系的策略準則

假設：

• 貴公司擁有用于生產和分銷聚戊二酸的設施，聚戊二酸是一種用于多個行業的化合物。
• 制造和分銷過程的投入包括各種石油產品和天然氣。價格波動可能非常不穩定。
• 營運資金管理一直是一個挑戰，最近匯率的走勢嚴重影響了資金。
• 您的CFO使用期貨和場外交易（OTC）工具對沖價格風險。

董事會感到關切的是，公司已連續第五個季度未能實現盈利預期。股東不高興。罪魁禍首似乎是商品銷售成本的波動。

示例

1. 您應該問有哪些能源定價模式的關鍵業務問題？
2. 您可以使用哪種方法來管理波動率？

這里有一些想法。關鍵業務問題可能是：

• 哪些輸入價格和匯率比其他輸入價格和匯率更不穩定？何時？
• 價格走勢相關嗎？
• 在市場壓力時期，它們的走勢會有多動蕩？
• 是否有我們可以部署的套期工具或可以用來減輕定價風險？

管理波動

• 建立輸入監視系統，以了解哪些輸入會影響運行制造和分銷流程的哪些成本。
• 監控價格走勢和特征，并按流程衡量對關鍵營業收入構成部分的影響的嚴重性。
• 內置價格無法承受預警指標。

在本文中，我們將

• 使用波動率聚類
• 擬合AR-GARCH模型
• 從AR-GARCH模型模擬波動率
• 衡量風險

ARCH模型

我們已經研究了波動性聚類。ARCH模型是對此進行建模的一種方法。

這些模型對于金融時間序列特別有用，因為金融時間序列顯示出較大的收益率變動時期以及相對平穩的價格變化的間歇時期。

可以從z（t）標準正態變量和初始標準波動率開始指定AR + ARCH模型σ（t）2 = z（t）2。然后，我們用方差ε（t）=（sigma2）1 / 2z（t）ε的平方來調節這些變量。然后我們首先為每個日期計算t = 1 ... n，

使用該條件誤差項，我們計算自回歸

現在我們準備計算新的方差項。

n <- 10500

z <- rnorm(n) ## 樣本標準正態分布變量

sig2 <- z^2 ##創建波動率序列

omega <- 1 ## 方差

mu <- 0.1 ## 平均收益率

omega/(1-alpha)

sqrt(omega/(1-alpha))

## [1] 2.222222

## [1] 1.490712

for (t in 2:n) ## 滯后于第二個日期開始

{

y[t] <- mu + phi*(y[t-1 -mu) + e[t] ## 收益率

sig2[t+1] <- omega + alpha * e[t ^2 ## 生成新的sigma ^ 2。

結果沒有指導意義。

我們可以看到

1. 條件標準偏差中較大的孤立峰
2. 在ARCH圖中也顯示

估計

我們有多種方法來估計AR-ARCH過程的參數。首先，讓我們加載一些數據。

## 匯率數據是從OANDA獲得

data.1 <- na.omit(merge(EUR_USD, GBP_USD,

OIL_Brent))

P <- data.1

R <- na.omit(diff(log(P)) * 100)

然后，我們繪制數據自相關。

##

## Box-Ljung test

##

## data: Brent.r

## X-squared = 32.272, df = 14, p-value = 0.003664

純隨機性檢驗，p值小于5%,序列為非白噪聲

點擊標題查閱往期內容

GARCH-DCC模型和DCC（MVT）建模估計

左右滑動查看更多

01

02

03

04

擬合

我們的第一項任務是ARMA-GARCH模型。

1. 指定普通sGarch 模型。
2. garchOrder = c(1,1) 表示我們使用殘差平方和方差的一期滯后：

1. 使用 armaOrder = c(1,0) 指定長期平均收益模型

1. mean如上述方程式中包括 。
2. 按照norm 正態分布 。我們還將使用赤池信息準則（AIC）將擬合與學生t分布進行比較 。
3. 使用將數據擬合到模型 ugarchfit。

ugarchspec(variance.model = list(model = "sGARCH",

garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1,

0), include.mean = TRUE), distribution.model = "norm")

讓我們看一下該模型中的條件分位數，也稱為VaR，設置為99％。

## 首先是條件分位數

plot(fit, which = 2)

現在，讓我們生成一個繪圖面板。

## 數據acf-顯示序列相關

plot(fit , which = 6)

## 數據的QQ圖-顯示標準化殘基的峰度-不支持正態假設

## 標準化殘差的acf

## 平方標準殘差的acf

例子

讓我們重做GARCH估計，現在使用Student t分布。

## 用學生t分布擬合AR（1）-GARCH（1,1）模型

AR.GARCH.spec <- ugarchspec(variance.model = list(model = "sGARCH",

garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1,

0), include.mean = TRUE), distribution.model = "std")

結果

1. 絕對觀測值的ACF表明存在很大的波動性聚類。
2. AR-ARCH估計具有有界的標準化殘差（殘差/標準誤差），從而大大降低了這些誤差。
3. 看來t分布AR-GARCH解釋了原油波動的大部分趨勢。

用哪個模型？使用Akaike信息準則（AIC）測量模型中的信息。

使用正態分布模型的AIC = 4.2471。使用學生t分布模型的AIC = 4.2062。學生t分布模型更好。

這是我們可以從擬合模型中得出的一些常見結果：

## mu ar1 omega alpha1 beta1 shape

## 0.04018002 0.01727725 0.01087721 0.03816097 0.96074399 7.03778415

系數包括：

• mu 是原油的長期平均收益率。
• ar1 是一天后收益對今天收益的影響。
• omega 是長期方差。
• alpha1 滯后平方方差對今天的收益的影響。
• beta1 滯后平方殘差對今天收益率的影響。
• shape 是學生t分布的自由度。

讓我們來繪制隨時間變化的波動性。

## mu ar1 omega alpha1 beta1 shape

## 0.04018002 0.01727725 0.01087721 0.03816097 0.96074399 7.03778415

接下來，我們繪制并檢驗殘差：

hist(z.hat)

mean(z.hat)

## [1] -0.0181139

var(z.hat)

## [,1]

## [1,] 1.000682

## [1] -0.3207327

## attr(,"method")

## [1] "moment"

kurtosis(z.hat)

## [1] 2.048561

## attr(,"method")

## [1] "excess"

##

## Shapiro-Wilk normality test

##

## data: as.numeric(z.hat)

## W = 0.98439, p-value < 2.2e-16

##

## Jarque-Bera Normality Test

##

## data: as.numeric(z.hat)

## JB = 780.73, p-value < 2.2e-16

## alternative hypothesis: greater

我們看到了什么？

• 左偏。
• 厚尾。
• 兩種標準檢驗均表明拒絕該序列為正態分布的零假設。

模擬

1. 使用fit 結果中的參數指定AR-GARCH。
2. 生成2000條模擬路徑。

GARCHspec

##

## *---------------------------------*

## * GARCH Model Spec *

## *---------------------------------*

##

## Conditional Variance Dynamics

## ------------------------------------

## GARCH Model : sGARCH(1,1)

## Variance Targeting : FALSE

##

## Conditional Mean Dynamics

## ------------------------------------

## Mean Model : ARFIMA(1,0,0)

## Include Mean : TRUE

## GARCH-in-Mean : FALSE

##

## Conditional Distribution

## ------------------------------------

## Distribution : std

## Includes Skew : FALSE

## Includes Shape : TRUE

## Includes Lambda : FALSE

## 生成長度為2000的兩個路徑

ugarchpath(GARCHspec, n.sim = 2000,

n.start = 50, m.sim = 2)

提取波動率

head(vol)

## [,1] [,2]

## T+1 2.950497 5.018346

## T+2 2.893878 4.927087

## T+3 2.848404 4.849797

## T+4 2.802098 4.819258

## T+5 2.880778 4.768916

## T+6 2.826746 4.675612

## 實際的模擬數據

X <- series$seriesSim

head(X)

## [,1] [,2]

## [1,] 0.1509418 1.4608335

## [2,] 1.2644849 -2.1509425

## [3,] -1.0397785 4.0248510

## [4,] 4.4369130 3.4214660

## [5,] -0.3076812 -0.1104726

## [6,] 0.4798977 2.7440751

示例

模擬的序列是否符合事實？

X1 <- X[, 1]

acf(X1)

acf(abs(X1))

qqnorm(X1)

qqline(X1, col = 2)

shapiro.test(X1)

這是結果

##

## Shapiro-Wilk normality test

##

## data: X1

## W = 0.97164, p-value < 2.2e-16

Shapiro-Wilk檢驗-零假設：正態分布。如果p值足夠小，則拒絕原假設。-必須使用QQ圖進行驗證。

多元GARCH

從單變量GARCH到多元GARCH

• 動態條件相關。
• 具有隨時間變化的波動性。
• 如何使資產收益之間的相關性也隨時間變化。

為什么？-如果我們擁有投資組合（例如應收賬款，可能會面臨匯率和原油價格變動的情況），該怎么辦？-我們需要了解這三個因素的聯合波動性和依賴性，因為它們會影響應收賬款的整體波動性。我們將使用這些條件方差來模擬管理貨幣和商品風險的工具的期權價格。

dcc.garch11.spec

##

## *------------------------------*

## * DCC GARCH Spec *

## *------------------------------*

## Model : DCC(1,1)

## Estimation : 2-step

## Distribution : mvt

## No. Parameters : 21

## No. Series : 3

現在進行擬合

現在讓我們得到一些結果：

##

## *---------------------------------*

## * DCC GARCH Fit *

## *---------------------------------*

##

## Distribution : mvt

## Model : DCC(1,1)

## No. Parameters : 21

## [VAR GARCH DCC UncQ] : [0+15+3+3]

## No. Series : 3

## No. Obs. : 4057

## Log-Likelihood : -12820.82

## Av.Log-Likelihood : -3.16

##

## Optimal Parameters

## -----------------------------------

## Estimate Std. Error t value Pr(>|t|)

## [EUR.USD].mu 0.006996 0.007195 0.97238 0.330861

## [EUR.USD].omega 0.000540 0.000288 1.87540 0.060738

## [EUR.USD].alpha1 0.036643 0.001590 23.04978 0.000000

## [EUR.USD].beta1 0.962357 0.000397 2426.49736 0.000000

## [EUR.USD].shape 9.344066 1.192132 7.83811 0.000000

## [GBP.USD].mu 0.006424 0.006386 1.00594 0.314447

## [GBP.USD].omega 0.000873 0.000327 2.67334 0.007510

## [GBP.USD].alpha1 0.038292 0.002217 17.27004 0.000000

## [GBP.USD].beta1 0.958481 0.000555 1727.86868 0.000000

## [GBP.USD].shape 10.481272 1.534457 6.83061 0.000000

## [OIL.Brent].mu 0.040479 0.026696 1.51627 0.129450

## [OIL.Brent].omega 0.010779 0.004342 2.48228 0.013055

## [OIL.Brent].alpha1 0.037986 0.001941 19.57467 0.000000

## [OIL.Brent].beta1 0.960927 0.000454 2118.80489 0.000000

## [OIL.Brent].shape 7.040287 0.729837 9.64639 0.000000

## [Joint]dcca1 0.009915 0.002821 3.51469 0.000440

## [Joint]dccb1 0.987616 0.004386 225.15202 0.000000

## [Joint]mshape 9.732509 0.652707 14.91100 0.000000

##

## Information Criteria

## ---------------------

##

## Akaike 6.3307

## Bayes 6.3633

## Shibata 6.3306

## Hannan-Quinn 6.3423

##

##

## Elapsed time : 11.89964

• 聯合條件協方差參數顯著不同于零。

現在，使用來自擬合的所有信息，我們進行預測。我們用來模擬套期工具或投資組合VaR或ES，讓我們先繪制隨時間變化的sigma。

示例

鑒于條件波動性和相關性，請查看VaR和ES的三個風險因素。

這是一些結果。首先，計算，然后繪圖。

## 1% 5% 50% 95% 99%

## -6.137269958 -3.677130793 -0.004439644 3.391312753 5.896992710

## 1% 5% 50% 95% 99%

## -1.3393119939 -0.8235076255 -0.0003271163 0.7659725631 1.2465945013

## 1% 5% 50% 95% 99%

## -1.520666396 -0.980794376 0.006889539 0.904772045 1.493169076

我們看到：

1. 在分布的負數部分權重更大。
2. 匯率大致相同。
3. 如果您在客戶和分銷過程中使用布倫特原油，則可能會在約1％的時間內遭受600％以上的損失。

讓我們使用新的波動率模型和分布進行調整，以擬合不對稱和厚尾。

在這里，我們嘗試使用一種新的GARCH模型：gjr代表Glosten，Jagannathan和Runkle（1993）他們提出的一個波動模型：

σ2t=ω+ασ2t-1+β1ε2t-1+β2ε2t-1It-1

擬合此模型。

##

## *---------------------------------*

## * GARCH Model Fit *

## *---------------------------------*

##

## Conditional Variance Dynamics

## -----------------------------------

## GARCH Model : gjrGARCH(1,1)

## Mean Model : ARFIMA(1,0,1)

## Distribution : nig

##

## Optimal Parameters

## ------------------------------------

## Estimate Std. Error t value Pr(>|t|)

## mu -0.040275 0.027883 -1.4445e+00 0.148608

## ar1 0.996072 0.001900 5.2430e+02 0.000000

## ma1 -0.989719 0.000005 -1.8786e+05 0.000000

## omega 0.006346 0.003427 1.8517e+00 0.064071

## alpha1 0.009670 0.003841 2.5178e+00 0.011808

## beta1 0.968206 0.001237 7.8286e+02 0.000000

## gamma1 0.042773 0.007183 5.9547e+00 0.000000

## skew -0.120184 0.032059 -3.7488e+00 0.000178

## shape 2.362890 0.351494 6.7224e+00 0.000000

##

## Robust Standard Errors:

## Estimate Std. Error t value Pr(>|t|)

## mu -0.040275 0.030871 -1.3046e+00 0.192023

## ar1 0.996072 0.002107 4.7283e+02 0.000000

## ma1 -0.989719 0.000005 -1.8363e+05 0.000000

## omega 0.006346 0.003388 1.8729e+00 0.061086

## alpha1 0.009670 0.004565 2.1184e+00 0.034143

## beta1 0.968206 0.000352 2.7485e+03 0.000000

## gamma1 0.042773 0.008503 5.0300e+00 0.000000

## skew -0.120184 0.033155 -3.6249e+00 0.000289

## shape 2.362890 0.405910 5.8212e+00 0.000000

##

## LogLikelihood : -8508.439

##

## Information Criteria

## ------------------------------------

##

## Akaike 4.1989

## Bayes 4.2129

## Shibata 4.1989

## Hannan-Quinn 4.2038

##

## Weighted Ljung-Box Test on Standardized Residuals

## ------------------------------------

## statistic p-value

## Lag[1] 1.856 0.1730

## Lag[2*(p+q)+(p+q)-1][5] 2.196 0.9090

## Lag[4*(p+q)+(p+q)-1][9] 2.659 0.9354

## d.o.f=2

## H0 : No serial correlation

##

## Weighted Ljung-Box Test on Standardized Squared Residuals

## ------------------------------------

## statistic p-value

## Lag[1] 0.5109 0.474739

## Lag[2*(p+q)+(p+q)-1][5] 9.3918 0.013167

## Lag[4*(p+q)+(p+q)-1][9] 13.2753 0.009209

## d.o.f=2

##

## Weighted ARCH LM Tests

## ------------------------------------

## Statistic Shape Scale P-Value

## ARCH Lag[3] 10.26 0.500 2.000 0.001360

## ARCH Lag[5] 10.41 1.440 1.667 0.005216

## ARCH Lag[7] 11.06 2.315 1.543 0.010371

##

## Nyblom stability test

## ------------------------------------

## Joint Statistic: 2.5309

## Individual Statistics:

## mu 0.91051

## ar1 0.07050

## ma1 0.06321

## omega 0.70755

## alpha1 0.22126

## beta1 0.28137

## gamma1 0.17746

## skew 0.25115

## shape 0.16545

##

## Asymptotic Critical Values (10% 5% 1%)

## Joint Statistic: 2.1 2.32 2.82

## Individual Statistic: 0.35 0.47 0.75

##

## Sign Bias Test

## ------------------------------------

## t-value prob sig

## Sign Bias 1.1836 0.23663

## Negative Sign Bias 0.7703 0.44119

## Positive Sign Bias 1.8249 0.06809 *

## Joint Effect 9.8802 0.01961 **

##

##

## Adjusted Pearson Goodness-of-Fit Test:

## ------------------------------------

## group statistic p-value(g-1)

## 1 20 27.42 0.09520

## 2 30 46.32 0.02183

## 3 40 58.50 0.02311

## 4 50 70.37 0.02431

##

##

## Elapsed time : 6.630391

我們可以使用 tailplot() 函數解釋結果。

## p quantile sfall

## [1,] 0.900 3.478474 5.110320

## [2,] 0.950 4.509217 6.293461

## [3,] 0.975 5.636221 7.587096

## [4,] 0.990 7.289163 9.484430

## [5,] 0.999 12.415553 15.368772

quantile 給出我們的風險價值（VaR）和期望損失（ES）

可以看到尾部圖。

• 結果表明，使用AR-GARCH處理后，尾部更厚。
• 我們可以回到市場和風險部分，了解平均超額價值以及VaR和ES的置信區間。
• 對于應收帳款，緩解策略可能是通過再保險和_總收益互換_提供超額風險對沖。
• 對客戶的信用風險分析至關重要：頻繁更新客戶將有助于及早發現某些解決方案的問題。

點擊文末 “閱讀原文”

獲取全文完整資料。

本文選自 《R語言使用多元AR-GARCH模型衡量市場風險》 。

點擊標題查閱往期內容

R語言GARCH模型對股市sp500收益率bootstrap、滾動估計預測VaR、擬合診斷和蒙特卡羅模擬可視化R語言單變量和多變量（多元）動態條件相關系數DCC-GARCH模型分析股票收益率金融時間序列數據波動率

R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格

GARCH-DCC模型和DCC（MVT）建模估計

R語言預測期貨波動率的實現：ARCH與HAR-RV與GARCH，ARFIMA模型比較

ARIMA、GARCH 和 VAR模型估計、預測ts 和 xts格式時間序列

Python/ target=_blank class=infotextkey>Python用GARCH、離散隨機波動率模型DSV模擬估計股票收益時間序列與蒙特卡洛可視化

極值理論 EVT、POT超閾值、GARCH 模型分析股票指數VaR、條件CVaR：多元化投資組合預測風險測度分析

Garch波動率預測的區制轉移交易策略

金融時間序列模型ARIMA 和GARCH 在股票市場預測應用

時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格

R語言風險價值：ARIMA，GARCH，Delta-normal法滾動估計VaR（Value at Risk）和回測分析股票數據

R語言GARCH建模常用軟件包比較、擬合標準普爾SP 500指數波動率時間序列和預測可視化

Python金融時間序列模型ARIMA 和GARCH 在股票市場預測應用

MATLAB用GARCH模型對股票市場收益率時間序列波動的擬合與預測

R語言極值理論 EVT、POT超閾值、GARCH 模型分析股票指數VaR、條件CVaR：多元化投資組合預測風險測度分析

Python 用ARIMA、GARCH模型預測分析股票市場收益率時間序列

R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格

R語言ARIMA-GARCH波動率模型預測股票市場蘋果公司日收益率時間序列

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進行股價預測

R語言時間序列GARCH模型分析股市波動率

R語言ARMA-EGARCH模型、集成預測算法對SPX實際波動率進行預測

matlab實現MCMC的馬爾可夫轉換ARMA - GARCH模型估計

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模擬進行股價預測

使用R語言對S＆P500股票指數進行ARIMA + GARCH交易策略

R語言用多元ARMA,GARCH ,EWMA, ETS,隨機波動率SV模型對金融時間序列數據建模

R語言股票市場指數：ARMA-GARCH模型和對數收益率數據探索性分析

R語言多元Copula GARCH 模型時間序列預測

R語言使用多元AR-GARCH模型衡量市場風險

R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格

R語言用Garch模型和回歸模型對股票價格分析

GARCH（1,1），MA以及歷史模擬法的VaR比較

matlab估計arma garch 條件均值和方差模型