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
我来回答
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。