Questions tagged «garch»

时间序列模型,其中条件方差是随时间变化且自相关的。

8
是否有用于模拟不规则间隔时间序列的金标准?
在经济学领域(我认为),我们有ARIMA和GARCH用于规则间隔时间序列,而Poisson,Hawkes用于建模点过程,那么尝试对不规则(不均匀)间隔时间序列进行建模的尝试-是否存在(至少)任何常见实践? (如果您对该主题有一定的了解,还可以展开相应的Wiki文章。) 版本(关于缺失值和不规则间隔的时间序列): 回答@Lucas Reis评论。如果测量或实现变量之间的间隙由于(例如)泊松过程而间隔开,则这种正则化的空间就不大了,但它存在一个简单的过程:t(i)是变量x的第i个时间索引(x的第i个时间)实现x),则限定间隙的测量值作为时间之间g(i)=t(i)-t(i-1),那么我们就离散g(i)使用常数c,dg(i)=floor(g(i)/c并与原来的时间序列的老观测之间的空白值的数量创建新的时间序列i和i+1等于DG(我),但问题是,这该过程很容易产生时间序列,而缺失数据的数量远大于观测值的数量,因此,对缺失观测值的合理估计可能是不可能的,而且可能太大c删除“时间结构/时间依赖性等”。分析的问题(极端情况是通过将c>=max(floor(g(i)/c))简单地将不规则间隔的时间序列分解为规则间隔而给出的 Edition2(只是为了好玩):图像说明了在不规则间隔的时间序列甚至点过程中缺失的值。

4
GARCH和ARMA有什么区别?
我很困惑。我不了解ARMA和GARCH流程的区别。 这是(G)ARCH(p,q)过程 σ2t=α0+∑i=1qαir2t−iARCH+∑i=1pβiσ2t−iGARCHσt2=α0+∑i=1qαirt−i2⏟ARCH+∑i=1pβiσt−i2⏟GARCH\sigma_t^2 = \underbrace{ \underbrace{ \alpha_0 + \sum_{i=1}^q \alpha_ir_{t-i}^2} _{ARCH} + \sum_{i=1}^p\beta_i\sigma_{t-i}^2} _{GARCH} 这是ARMA():p,qp,qp, q Xt=c+εt+∑i=1pφiXt−i+∑i=1qθiεt−i.Xt=c+εt+∑i=1pφiXt−i+∑i=1qθiεt−i. X_t = c + \varepsilon_t + \sum_{i=1}^p \varphi_i X_{t-i} + \sum_{i=1}^q \theta_i \varepsilon_{t-i}.\, ARMA是否只是GARCH的扩展,GARCH仅用于收益,并且假设,其中\ varepsilon遵循强白色过程?r=σεr=σεr = \sigma\varepsilonεε\varepsilon
42 arima  garch  finance 

3
出于直觉,现实生活中有一些不相关但相关的随机变量的例子是什么?
在解释为什么不相关并不意味着独立的过程中,有几个涉及一堆随机变量的示例,但它们似乎都非常抽象:1 2 3 4。 这个答案似乎是有道理的。我的解释:随机变量及其平方可能不相关(因为显然缺少相关性就像线性独立性一样),但是它们显然是相关的。 我猜一个例子是(标准化吗?)高度和高度2可能不相关,但相互依赖,但是我不明白为什么有人会比较高度和高度。22^222^2 为了使初学者具有基本概率论或类似目的的直觉,在现实生活中有哪些不相关但依存的随机变量示例?

3
如何解释GARCH参数?
我使用标准的GARCH模型: rtσ2t=σtϵt=γ0+γ1r2t−1+δ1σ2t−1rt=σtϵtσt2=γ0+γ1rt−12+δ1σt−12\begin{align} r_t&=\sigma_t\epsilon_t\\ \sigma^2_t&=\gamma_0 + \gamma_1 r_{t-1}^2 + \delta_1 \sigma^2_{t-1} \end{align} 我对系数有不同的估计,需要解释它们。因此,我想知道一个很好的解释,那么,和代表什么?γ0γ0\gamma_0γ1γ1\gamma_1δ1δ1\delta_1 我看到就像是不变的部分。因此,这代表了一种“环境波动”。该代表调整过去的冲击。另外,对我来说不是很直观:它表示对波动的调整。但我想对这些参数有更好,更全面的解释。γ0γ0\gamma_0γ1γ1\gamma_1δ1δ1\delta_1 因此,谁能给我一个很好的解释,说明这些参数代表什么以及如何解释参数的变化(例如,如果增加,这意味着什么?)。γ1γ1\gamma_1 另外,我在几本书中(例如在Tsay中)进行了查询,但是找不到很好的信息,因此,任何有关这些参数解释的文献建议都将受到赞赏。 编辑:我也将对如何解释持久性感兴趣。那么持久性到底是什么? 在我读过的一些书中,GARCH(1,1)的持久性是,但是例如在Carol Alexander第283页的书中,他仅谈到参数(我的)是持久性参数。那么,波动率的持续性()和震荡的持续性()之间有区别吗?γ1+δ1γ1+δ1\gamma_1+\delta_1ββ\betaδ1δ1\delta_1σtσt\sigma_trtrtr_t

1
如果
我遇到了一个关于ARCH模型的属性的证明,该证明说,如果,则是固定的iff,其中ARCH模型是:{ X t } ∑ p i = 1 b i &lt; 1E(X2t)&lt;∞E(Xt2)&lt;∞\mathbb{E}(X_t^2) < \infty{Xt}{Xt}\{X_t\}∑pi=1bi&lt;1∑i=1pbi&lt;1\sum_{i=1}^pb_i < 1 Xt=σtϵtXt=σtϵtX_t = \sigma_t\epsilon_t σ2t=b0+b1X2t−1+...bpX2t−pσt2=b0+b1Xt−12+...bpXt−p2\sigma_t^2 = b_0 + b_1X_{t-1}^2 + ... b_pX_{t-p}^2 证明的主要思想是证明可以写为AR(p)进程,并且如果为真,则特征多项式的所有根都位于单位外部圈,因此是固定的。然后说是固定的。这是怎么回事? ∑ p i = 1 b i &lt; 1 { X 2 t } { X t }X2tXt2X_t^2∑pi=1bi&lt;1∑i=1pbi&lt;1\sum_{i=1}^pb_i < 1{X2t}{Xt2}\{X_t^2\}{Xt}{Xt}\{X_t\}

1
GBM软件包与使用GBM的插入符
我一直在使用进行模型调整caret,但随后使用该gbm软件包重新运行模型。据我了解,caret程序包使用gbm的输出应相同。然而,data(iris)使用RMSE和R ^ 2作为评估指标,使用进行的快速测试显示模型中的差异约为5%。我想使用来找到最佳模型性能,caret但要重新运行gbm以利用部分依赖图。下面的代码具有可重复性。 我的问题是: 1)为什么即使这两个软件包应该相同,我仍会看到这两个软件包之间的差异(我知道它们是随机的,但5%的差异还是很大的,尤其是当我没有使用iris建模时使用的很好的数据集时) 。 2)同时使用这两个软件包有什么优点或缺点? 3)不相关:使用iris数据集时,最佳interaction.depth值为5,但高于我所阅读的最大值,使用最大值floor(sqrt(ncol(iris)))为2。这是严格的经验法则还是非常灵活? library(caret) library(gbm) library(hydroGOF) library(Metrics) data(iris) # Using caret caretGrid &lt;- expand.grid(interaction.depth=c(1, 3, 5), n.trees = (0:50)*50, shrinkage=c(0.01, 0.001), n.minobsinnode=10) metric &lt;- "RMSE" trainControl &lt;- trainControl(method="cv", number=10) set.seed(99) gbm.caret &lt;- train(Sepal.Length ~ ., data=iris, distribution="gaussian", method="gbm", trControl=trainControl, verbose=FALSE, tuneGrid=caretGrid, metric=metric, bag.fraction=0.75) print(gbm.caret) # …

5
如何在大量数据点中进行值的插补?
我的数据集非常大,大约缺少5%的随机值。这些变量相互关联。以下示例R数据集只是一个具有虚拟相关数据的玩具示例。 set.seed(123) # matrix of X variable xmat &lt;- matrix(sample(-1:1, 2000000, replace = TRUE), ncol = 10000) colnames(xmat) &lt;- paste ("M", 1:10000, sep ="") rownames(xmat) &lt;- paste("sample", 1:200, sep = "") #M variables are correlated N &lt;- 2000000*0.05 # 5% random missing values inds &lt;- round ( runif(N, 1, length(xmat)) …
12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 

1
R / mgcv:为什么te()和ti()张量积产生不同的曲面?
的mgcv软件包R具有两个功能,用于拟合张量积相互作用:te()和ti()。我了解两者之间的基本分工(拟合非线性交互与将这种交互分解为主要效果和交互)。我不明白的是为什么te(x1, x2)而ti(x1) + ti(x2) + ti(x1, x2)可能产生(略)不同的结果。 MWE(改编自?ti): require(mgcv) test1 &lt;- function(x,z,sx=0.3,sz=0.4) { x &lt;- x*20 (pi**sx*sz)*(1.2*exp(-(x-0.2)^2/sx^2-(z-0.3)^2/sz^2)+ 0.8*exp(-(x-0.7)^2/sx^2-(z-0.8)^2/sz^2)) } n &lt;- 500 x &lt;- runif(n)/20;z &lt;- runif(n); xs &lt;- seq(0,1,length=30)/20;zs &lt;- seq(0,1,length=30) pr &lt;- data.frame(x=rep(xs,30),z=rep(zs,rep(30,30))) truth &lt;- matrix(test1(pr$x,pr$z),30,30) f &lt;- test1(x,z) y &lt;- f + rnorm(n)*0.2 par(mfrow = c(2,2)) # …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

2
使用ARMA-GARCH模型模拟外汇价格
我已经将ARIMA(1,1,1)-GARCH(1,1)模型拟合到几年中以一分钟为间隔采样的澳元/美元汇率记录价格的时间序列,估计模型的上百万个数据点。该数据集可在此处获得。为了清楚起见,这是一个ARMA-GARCH模型,由于对原木价格进行一阶整合,因此适合对原木进行回报。原始的AUD / USD时间序列如下所示: 然后,我尝试根据拟合模型模拟时间序列,从而得到以下结果: 我既期望也希望模拟的时间序列与原始时间序列不同,但是我并不期望会有如此大的差异。从本质上讲,我希望模拟的序列的行为或大致看起来像原始序列。 这是我用来估计模型和模拟序列的R代码: library(rugarch) rows &lt;- nrow(data) data &lt;- (log(data[2:rows,])-log(data[1:(rows-1),])) spec &lt;- ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1, 1), include.mean = TRUE), distribution.model = "std") fit &lt;- ugarchfit(spec = spec, data = data, solver = "hybrid") sim &lt;- ugarchsim(fit, …


1
拟合GARCH(1,1)-R中具有协变量的模型
我对时间序列建模有一些经验,以简单的ARIMA模型等形式。现在,我有一些表现出波动性聚类的数据,我想尝试从数据上拟合GARCH(1,1)模型开始。 我有一个数据系列,并且我认为许多变量会影响它。因此,从基本的回归角度来看,它看起来像: ÿŤ= α + β1个XŤ 1+ β2X第2+ ϵŤ。yt=α+β1xt1+β2xt2+ϵt. y_t = \alpha + \beta_1 x_{t1} + \beta_2 x_{t2} + \epsilon_t . 但是我完全不知道如何将其实现为GARCH(1,1)-模型?我已经在中查看了rugarch-package和fGarch-package R,但是除了可以在Internet上找到的示例之外,我没有做任何有意义的事情。
10 r  regression  garch 

1
是否有等效的ARMA用于等级关联?
我正在查看ARMA / ARIMA模型无法很好运行的极非线性数据。虽然,我看到了一些自相关,但我怀疑非线性自相关会有更好的结果。 1 /是否有与PACF相等的等级相关性?(在R中?) 2 /是否存在等效的ARMA模型用于非线性/秩相关(在R?中)
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.