R语言金融波动率建模|基于SGED分布的变参数ARIMA+EARCH动态预测模型的...

发布网友发布时间：2024-04-29 15:10

共1个回答

热心网友时间：2024-08-03 17:26

金融波动率的R语言探索：SGED分布驱动的变参数ARIMA+EARCH动态预测模型详解</

由金融竞赛获奖者，R语言专家齐祥会带来的深度研究，他将专业知识应用于实战，探索沪深5股的日收益率波动性预测。本文的焦点在于构建一个创新的模型，即SGED分布支持的变参数ARIMA+EARCH动态预测模型，旨在揭示股票收益率的“尖峰厚尾”特性与非对称波动。

核心研究</

预测目标：</对数收益率，因其能有效处理价格波动
模型构建：</ARIMA处理时间序列的记忆性，EGARCH负责捕捉异方差和波动集聚，而SGED则用于非正态分布和厚尾的特性
混合模型：</ARIMA与EGARCH的融合，通过滚动时间窗口动态调整参数，提升预测的精确度

在深入研究中，我们发现：

ARIMA与Box-Ljung检验揭示了收益率序列的长记忆性和异方差性
ARCH效应检验确认了波动非对称性，单一模型不足以充分描述，因此引入ARMA+GARCH的联合模型
实证分析采用变参数ARIMA+EGARCH模型，通过滚动窗口优化参数，结果显示其预测性能优于简单的买入持有策略
结论：改进的模型能够有效捕捉收益率变化，预测效果显著。然而，模型的计算复杂度和风险控制仍有提升空间，对于极端事件，需结合其他指标做决策

在理论支持方面，研究借鉴了如下的学术成果：

Evolutionary LENN paper: IJAEC, 2016(1)
[Zhang & Zhang] 在《金触市场VaR动态：GARCH-EVT》中探讨了贵金属市场的波动特性
[Ren & Qin] 《货币波动分析中的ARFIMA-EGARCH-M》提供了深入的货币市场模型研究
[Yang & Xiao] 在《原油价格风险度量：ARMA-APARCH-SGED》中，探讨了复杂市场环境下的风险管理
Tsay的《金融时间序列分析》和《R语言金融数据分析入门》提供了丰富的理论基础和实操指南
Cai的《R语言量化投资》为实践应用提供了实用工具

齐祥会的这一系列研究，不仅深化了我们对金融波动的理解，也为投资者提供了精准的预测工具，助力他们在金融市场中把握机遇。