专栏首页拓端tecdatR语言通过WinBUGS对MGARCH和MSV模型进行贝叶斯估计和比较

R语言通过WinBUGS对MGARCH和MSV模型进行贝叶斯估计和比较

多变量广义自回归条件异方差(MGARCH)和多变量随机波动率(MSV)模型与马尔可夫链蒙特卡罗方法的贝叶斯估计和比较可以直接和成功地在WinBUGS包中进行。

经济全球化和金融市场的完整性促进了对资产定价,风险管理,投资组合选择等各个领域的多元波动建模的需求。因此,两种类型的模型 - 多变量广义自回归条件异方差(MGARCH)和多变量随机波动率(MSV)模型 - 已成为理论和实证研究的主要方法。已经开发了不同版本的MGARCH和MSV模型,包括单变量模型的一般化,因子模型,非对称模型,时变相关模型和一些替代方案,以捕获和学习波动的相应特征。

在本文中,我们将通过WinBUGS(使用Gibbs采样为WINDOWS OS进行贝叶斯推断)对MGARCH和MSV模型进行估计和比较, 首先,WinBUGS包含一个专家系统,可以从完全条件后验分布中选择最佳算法进行采样。构建特殊的MCMC算法通常是相当复杂的事情,特别是对于没有封闭形式后验分布的MGARCH模型。因此,WinBUGS为研究人员提供了捷径。其次,WinBUGS包含偏差信息标准(DIC)模块,可以根据模型拟合优度和复杂度评估和比较相同数据的不同模型。现在DIC被认为是一个强有力的贝叶斯模型比较标准,而不是AIC和BIC。第三,WinBUGS是免费且用户友好的; 用户只能通过将模型的逻辑结构转换为BUGS语言(它与S +编程语言非常相似)或通过有向非循环图来表示模型,以及模型的修改(如先前的更改)来实现贝叶斯推理。

数据和数据

参数的先验分布的平均值和标准偏差

部分代码

R> res <- svsample(ret, priormu = c(-10, 1), priorphi = c(20, 1.1), + priorsigma = 0.1)
R> volplot(res, forecast = 100, dates = exrates$date[-1])

图1. 2004年6月28日至2008年6月30日五个部门每周收盘价的对数。

2004年6月28日至2008年6月30日五个部门每周回报的时间序列图。

MGARCH和MSV模型中其他参数的后验统计

代码示例:

model Basic −MSV
{
# l i k e l i h o o d
f o r ( t i n 1 :T ) {
f o r ( i i n 1 :N) {
t a u [ t , i ]<−exp(−h [ t , i ] )
Y[ t , i ]<−y [ t , i ]−mean ( y [ , i ] )
Y[ t , i ]~ dnorm (mu[ i ] , t a u [ t , i ] )
}
}
# p r i o r {mu [ ] , p hi [ ] ,mu . h [ ] , sigma . e t a [ ] , a l p h a [ ] }
f o r ( i i n 1 :N) {
mu[ i ]<−0
p h i s t a r [ i ]~ d b e t a ( 2 0 , 1 . 5 )
p h i [ i ]<−2∗ p h i s t a r [ i ]−1
sigma2 . e t a . i n v [ i ]~ d c h i s q r ( 1 1 )
sigma2 . e t a [ i ]< −1/ sigma2 . e t a . i n v [ i ]
mu . h [ i ]~ dnorm ( 0 , . 0 4 )
}
# var −c o v a r i n i t i a l c o n d i t i o n
f o r ( i i n 1 :N) {
h [ 1 , i ]<− v ar . sample [ i ]
}
f o r ( t i n 2 :T ) {
f o r ( i i n 1 :N) {
h . mean [ t , i ]<−mu . h [ i ]+ p hi [ i ] ∗ ( h [ t −1, i ]−mu . h [ i ] )
h [ t , i ]~ dnorm ( h . mean [ t , i ] , sigma2 . e t a . i n v [ i ] )
}
}
}

WinBUGS输出:CCt规范中持久性φ的箱形图。(a)CCt-MGARCH模型中的φ和(b)CCt-MSV模型中的φ。

WinBUGS软件输出:持久性φ之间的相关性和波动的变化

在MSV模型中。具有斜率-1的黑线表示负相关:(a)基本-MSV模型和(b)CC-MSV模型。

WinBUGS软件输出:吉尔曼鲁宾统计量- [R 21(A):在CCT-多元GARCH和CCT-MSV模型- [R 21在CCT-多元GARCH模型和(b)- [R 21在CCT-MSV模型。

六种模型的DIC值条形图。

在CCt-MSV模型中平滑的波动率估计值h t

最后,对中国上海证券交易所(SSE)行业指数周回报的实证研究说明了MGARCH和MSV模型的贝叶斯估计和比较。传统的股票波动性实证研究更多地关注某些特定股票或市场,例如IBM股票,惠普股票或道琼斯指数,标准普尔500指数。

本文分享自微信公众号 - 拓端数据部落(tecdat),作者:TRL 拓端研究室

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-07-17

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • WINBUGS对随机波动率模型进行贝叶斯估计与比较

    现有的有关财务模型的大多数文献都假设资产的波动性是恒定的。然而,这种假设忽略了波动聚类,高峰,厚尾,波动性和均值回复的实际市场回报的特点,不能用恒定的波动模型。...

    拓端
  • 如何用R语言在机器学习中建立集成模型?

    在本文中,我将向您介绍集成建模的基础知识。另外,为了向您提供有关集合建模的实践经验,我们将使用R对hackathon问题进行集成。

    拓端
  • R语言ROC曲线下的面积-评估逻辑回归中的歧视

    对于模型协变量的给定值,我们可以获得预测的概率。如果观察到的风险与预测的风险(概率)相匹配,则称该模型已被很好地校准。也就是说,如果我们要分配一组值的大量观察结...

    拓端
  • 动态分配多任务资源的移动端深度学习框架

    与云相比,移动系统受计算资源限制。然而众所周知,深度学习模型需要大量资源 。为使设备端深度学习成为可能,应用程序开发者常用的技术之一是压缩深度学习模型以降低其资...

    IT小白龙
  • 基于R.M.B的下一代网管

    鹅厂网事
  • 深度学习基础知识 | 上

    MLP网络是一种应用最为广泛的一种网络,其中DNN就是属于MLP网络,它是一个前向结构的人工神经网络,输入一组向量向前传播输出向量,网络结构如下:

    昱良
  • 数据挖掘模型生命周期管理

    为成功地利用数据挖掘模型,我们需要从开发阶段直至生产环境对模型进行全面跟踪管理与评估。挖掘模型生命周期过程是由以下阶段组成的高效交替过程。 ? 确定商业目标 ...

    机器学习AI算法工程
  • Xnor推出了AI2Go平台,动动手指即可获取自定义边缘AI模型

    Xnor.ai今天推出了AI2Go平台,该平台允许开发者和制造商为设备上的人工智能优化预先构建的AI模型。AI2Go专为相机、无人机和传感器等设备中的最先进边缘...

    AiTechYun
  • 卷积神经网络的压缩

    正文部分系《解析卷积神经网络——深度学习实践手册》基础理论篇部分,本次将介绍卷积神经网络压缩的具体途径

    用户1386409
  • 基于CRF序列标注的中文依存句法分析器的Java实现

    这是一个基于CRF的中文依存句法分析器,内部CRF模型的特征函数采用 双数组Trie树(DoubleArrayTrie)储存,解码采用特化的维特比后向算法。相较...

    IT小白龙

扫码关注云+社区

领取腾讯云代金券