R语言多元动态条件相关DCC-MVGARCH、常相关CCC-MVGARCH模型进行多变量波动率预测
source link: https://segmentfault.com/a/1190000040454840
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
原文链接：http://tecdat.cn/?p=23287
当从单变量波动率预测跳到多变量波动率预测时，我们需要明白，现在我们不仅要预测单变量波动率元素，还要预测协方差元素。假设你有两个序列，那么这个协方差元素就是2乘2方差-协方差矩阵的对角线。我们应该使用的准确术语是 "方差-协方差矩阵"，因为该矩阵由对角线上的方差元素和非对角线上的协方差元素组成。但是由于读 "方差-协方差矩阵 "非常累人，所以通常被称为协方差矩阵，或者有时不太正式地称为var-covar矩阵。
如果你还在读这篇文章，说明你在建立相关关系模型方面有一些经验。鉴于你知道各个序列的方差，相关和协方差之间的联系是直接的。
所以当我第一次研究这个问题时，我不明白为什么我们不单独建立所有非对角线的模型，例如使用样本成对相关的滚动窗口呢？你想有一个有效的相关矩阵，这意味着对称（很容易施加）和正负无限。
首先，为什么非负定属性很重要，其次，为什么它不容易施加。把非负定属性看作是多变量的，相当于单变量情况下对波动率的正向施加。你不会想让你的模型生成负的波动率吧？在单变量的情况下，乘以任何平方数，我们都可以保持在正数的范围内。在更高的维度上，确保协方差的 "正性 "涉及到乘法，不是乘以一个平方的标量，而是乘以一个 "平方 "的矢量。
将XC表示为居中的随机变量X，所以 。现在根据定义是一个协方差矩阵，显然是非负定的。现在，如果我们用矩阵乘以一个 "平方 "向量，我们可以将向量 "插入 "期望值中（因为（1）向量不是随机变量，以及（2）期望算子的线性）。我们（应该）仍然得到非负定矩阵。 你用哪个向量并不重要，因为它是 "平方 "的。
如果我们对协方差条目进行单独建模，并将它们 "修补 "成一个矩阵，将每个成对的协方差放在正确的位置（例如，变量1和变量3之间的协方差在条目和 ，不能保证我们最终得到一个非负定的矩阵。由于不存在非负定的协方差矩阵，那么我们就有可能得到一个无效的协方差矩阵。
从业人员由于摆脱了繁琐的学术判断过程，可能会摆脱这个理论上的失误。然而，还有其他问题，在本质上是计算上的问题。一个非负的无限矩阵可以有零或负的行列式。在许多贝叶斯的应用中，我们希望使用精确矩阵而不是协方差矩阵。为了计算精确矩阵，我们简单地反转协方差矩阵，但这意味着我们要除以行列式，因此，行列式为零就会产生问题。
文献中的主要构建模块是GARCH过程。假设我们有一个随机变量，我们可以用它的波动率来建模。
很容易理解。对于今天的波动率来说，重要的是昨天的波动率，特别强调的是昨天的冲击，。请记住，如果，那么仅仅是对方差的估计，而没有考虑到t-1以前的任何情况。
现在，添加另一个随机变量 。你现在有两个波动率和一个协方差项。但是，为什么不以向量自动回归（VAR）扩展自动回归的同样方式来扩展这个过程？进入VEC模型。
这里是一个矢量化运算符，将一个矩阵作为一个矢量进行堆叠。由于矩阵的对称性，我们不需要所有的系数，所以更好的表述：
这个模型背后的直觉与VAR的基础是一样的。也许当股票的波动率高时，债券的波动率就低，也许当债券的波动率高时，与股票的协方差就高，等等。
这个模型的一个潜在问题，也是与VAR相似的，就是波动率是独立的过程，这意味着只有A和B的对角线是重要的，在这种情况下，我们只是用不必要的估计噪音来干扰这个模型。之前提到的另一个计算问题是，由于我们没有对矩阵过程本身进行建模，而是对三个项逐一进行建模，所以我们不能确保结果是一个有效的协方差矩阵，特别是没有施加非负-无限约束。BEKK模型（Baba, Engle, Kraft and Kroner, 1990）取得了这一进展。有一个很好的理由不详细讨论这些 "第一代 "模型。它们对于少数几个变量来说是非常难以估计的。我没有亲自尝试过那些模型。对于这些模型，即使人们成功地进行了估计，就实践者而言，估计的复杂性给结果带来了很大问题。
CCC 和DCC
恩格尔（2002）在其开创性的论文中提出了下一个重要的步骤，随后文献中出现了一个高潮。"Dynamic Conditional Correlation: 一类简单的多变量广义自回归条件异方差模型"。从摘要中可以看出："这些（模型）具有单变量GARCH模型的灵活性，加上参数化的相关模型"。这类条件相关模型的关键切入点是要认识到
是一个矩阵，对角线上是各个序列的波动率（现在单独估计），对角线外是零。这只是以矩阵形式对我们开始时的常规方程进行了处理。 ，因为。现在具备几个条件：
- 把对角线和非对角线分开，你可以用通常的单变量GARCH估计值来 "填补 "这个对角线。非对角线是由相关矩阵给出的，我们现在可以对其进行决定。当我们假设一个恒定的相关矩阵（CCC），也就是说，我们可以自然地使用样本相关矩阵。我们可以假设该矩阵是时变的，并使用滚动窗口或指数衰减权重或其他方式来估计它。
- 由于二次形式，并且因为是相关矩阵，我们肯定会得到一个有效的协方差矩阵，即使我们使用恒定的相关矩阵，它也是时间变化的。
- 由于这种对角线与非对角线的分离，我们实际上可以处理许多变量，与 "第一代 "类模型非常不同。我认为，这是该模型被接受和流行的主要原因。
现在我们进行估计。
使用R进行估算
让我们得到一些数据。我们提取三个ETF的过去几年的数据。SPY（追踪标准普尔500指数），TLT和IEF（分别追踪长期和中期债券）。
k <- 3 # 多少年数据
sym = c('SPY', 'TLT', "IEF") # 标准普尔500指数，长期和中期债券，所有ETFs
for (i in 1:l)getSymbols(sym\[i\], src="yahoo", from=start, to=end)
ret <- na.omit(ret)# 删除第一个观察值现在来演示如何使用CCC和DCC模型构建协方差矩阵。我们首先得到单变量波动率。我们需要它们，它们位于对角线矩阵的对角线上。我们用重尾的不对称GARCH来估计它们。
garch(distribution="std") #std是学生t分布 volatilityfit # 用一个矩阵来保存三种资产的波动率 for (i in 1:l) model = ugarchfit(spec,ret\[,i\])
现在，一旦我们有了，我们就能够创建基于CCC和DCC的协方差矩阵。对于CCC（恒定条件相关），我们使用样本相关矩阵，而对于DCC（动态），我们使用基于例如3个月的移动窗口估计的相关矩阵。
# 创建一个CCC模型的协方差 nassets <- l # 为了提高可读性，l看起来太像1了。 # 为不同时期的矩阵制作容器。 array(dim=c(n, nassets, TT)) # 计算样本无条件的相关矩阵。 samp_cor <- cor(ret) # 在整个循环过程中会保持不变 wind <- 60 # 大概三个月的时间 for (i in (w+1):TT) (volatilitfit\[i,\])*diag(assets) cov_ccc cor_tv cov\_dcc<- dt %*% cor\_tv\[,,i\] %*% dt
结果按年计算，并乘以100，转为百分比，以提高可读性。绘制它。
par()$mar # 边距 plot(ann*cov_ccc\[1,1,\]~time plot(ann*cov_ccc\[1,2,\]~time)
在上图中，我们有协方差矩阵的对角线。我们看到（1）中期债券的波动性最低，正如预期的那样，（2）SPY的波动性很大，方差也很高。(3) 曲线长端的方差高于中期的方差，这是收益率曲线文献中一个典型的事实。(4) 有趣的是，长期债券的波动性一直在上升，这可能是对即将提高政策利率的高度警觉。
在下图中，我们有三个协方差项，一次是假设CCC的估计（实线），一次是假设DCC的估计（虚线）。对于中期和长期债券之间的协方差，如果你假设恒定或动态相关矩阵，并不重要。然而，这对SPY与债券的协方差项确实很重要。例如，基于DCC的协方差矩阵认为在2013年中期股票和债券之间的协方差几乎为零，而基于CCC的协方差则表明在此期间的协方差为负。究竟是恒定的还是动态的，对跨资产投资组合的构建可能有很大的影响。
最受欢迎的见解
1.HAR-RV-J与递归神经网络（RNN）混合模型预测和交易大型股票指数的高频波动率
2.R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长
4.R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK