和宏观经济数据不同，金融市场上多为高频数据，比如股票收益率序列。直观的来说：后者要比前者“抖动”多了。有漂移且随机波动的序列，在一元或多元的情况下，构建Copula模型和GARCH模型是最好的选择。
多元GARCH家族中，种类非常多，需要自己多推导理解，选择最优模型。本文使用R软件对3家上市公司近十年的每周回报率为例建立模型。
首先我们可以绘制这三个时间序列。
在这里使用多变量的ARMA-GARCH模型。
本文考虑了两种模型
1 ARMA模型残差的多变量GARCH过程
2 ARMA-GARCH过程残差的多变量模型（基于Copula）
1 ARMA-GARCH模型
> fit1=garchFit(formula = ~ arma(2,1)+garch(1,1),data=dat[,1],cond.dist ="std")
可视化波动
隐含的相关性
>emwa_series_cor=function(i=1,j=2){+ if((min(i,j)==1)&(max(i,j)==2)){+ a=1; b=5; ab=2}
+}
2 BEKK（1,1）模型：
>library(MTS)>
bekk=BEKK11(dat_arma)
隐含的相关性
对单变量GARCH模型残差建模
第一步可能是考虑残差的静态（联合）分布。单变量边际分布是
而联合密度为
可视化Copula密度
查看相关性是否随着时间的推移而稳定。
斯皮尔曼相关性
Kendall的tau相关性
对相关性建模，考虑DCC模型
对数据进行预测
> library(rmgarch)
> fcst=dccforecast(dcc.fit,n.ahead=200)
plot(fcst)
网友评论