Dopasuj GARCH (1,1) - model z współzmiennymi w R.

Mam pewne doświadczenia z modelowaniem szeregów czasowych, w postaci prostych modeli ARIMA i tak dalej. Teraz mam pewne dane, które wykazują grupowanie zmienności, i chciałbym zacząć od dopasowania modelu GARCH (1,1) do danych.

Mam serię danych i szereg zmiennych, które, jak sądzę, wpływają na to. Zatem w podstawowych regresjach wygląda to tak:

$$y_t = \alpha + \beta_1 x_{t1} + \beta_2 x_{t2} + \epsilon_t .$$

Ale zupełnie nie rozumiem, jak wdrożyć to w modelu GARCH (1,1)? rugarchPatrzyłem na -package i fGarch-package w R, ale nie byłem w stanie zrobić nic znaczącego oprócz przykładów, które można znaleźć w Internecie.

Oto przykład implementacji przy użyciu rugarchpakietu i niektórych fałszywych danych. Funkcja ugarchfitpozwala na włączenie regresorów zewnętrznych do równania średniego (zwróć uwagę na użycie external.regressorsin fit.specw poniższym kodzie).

Aby naprawić notacje, modelem jest gdzie i oznaczają zmienną towarzyszącą w czasie oraz „zwykłe” założenia / wymagania dotyczące parametrów i procesu innowacji . xt,1xt,2tZ

$$\begin{align*} y_t &= \lambda_0 + \lambda_1 x_{t,1} + \lambda_2 x_{t,2} + \epsilon_t, \\ \epsilon_t &= \sigma_t Z_t , \\ \sigma_t^2 &= \omega + \alpha \epsilon_{t-1}^2 + \beta \sigma_{t-1}^2 , \end{align*}$$ $x_{t,1}$$x_{t,2}$$t$$Z_t$

Wartości parametrów zastosowane w tym przykładzie są następujące.

## Model parameters
nb.period  <- 1000
omega      <- 0.00001
alpha      <- 0.12
beta       <- 0.87
lambda     <- c(0.001, 0.4, 0.2)

Poniższy obraz pokazuje serię współzmiennych i a także serię . Kod używany do ich generowania jest przedstawiony poniżej. x t , 2 y $x_{t,1}$$x_{t,2}$$y_t$R

## Dependencies
library(rugarch)

## Generate some covariates
set.seed(234)
ext.reg.1 <- 0.01 * (sin(2*pi*(1:nb.period)/nb.period))/2 + rnorm(nb.period, 0, 0.0001)
ext.reg.2 <- 0.05 * (sin(6*pi*(1:nb.period)/nb.period))/2 + rnorm(nb.period, 0, 0.001)
ext.reg   <- cbind(ext.reg.1, ext.reg.2)

## Generate some GARCH innovations
sim.spec    <- ugarchspec(variance.model     = list(model = "sGARCH", garchOrder = c(1,1)), 
                          mean.model         = list(armaOrder = c(0,0), include.mean = FALSE),
                          distribution.model = "norm", 
                          fixed.pars         = list(omega = omega, alpha1 = alpha, beta1 = beta))
path.sgarch <- ugarchpath(sim.spec, n.sim = nb.period, n.start = 1)
epsilon     <- as.vector(fitted(path.sgarch))

## Create the time series
y <- lambda[1] + lambda[2] * ext.reg[, 1] + lambda[3] * ext.reg[, 2] + epsilon

## Data visualization
par(mfrow = c(3,1))
plot(ext.reg[, 1], type = "l", xlab = "Time", ylab = "Covariate 1")
plot(ext.reg[, 2], type = "l", xlab = "Time", ylab = "Covariate 2")
plot(y, type = "h", xlab = "Time")
par(mfrow = c(1,1))

Dopasowanie odbywa się ugarchfitw następujący sposób.

## Fit
fit.spec <- ugarchspec(variance.model     = list(model = "sGARCH",
                                                 garchOrder = c(1, 1)), 
                       mean.model         = list(armaOrder = c(0, 0),
                                                 include.mean = TRUE,
                                                 external.regressors = ext.reg), 
                       distribution.model = "norm")
fit      <- ugarchfit(data = y, spec = fit.spec)

Szacunkowe parametry to

## Results review
fit.val     <- coef(fit)
fit.sd      <- diag(vcov(fit))
true.val    <- c(lambda, omega, alpha, beta)
fit.conf.lb <- fit.val + qnorm(0.025) * fit.sd
fit.conf.ub <- fit.val + qnorm(0.975) * fit.sd
> print(fit.val)
#     mu       mxreg1       mxreg2        omega       alpha1        beta1 
#1.724885e-03 3.942020e-01 7.342743e-02 1.451739e-05 1.022208e-01 8.769060e-01 
> print(fit.sd)
#[1] 4.635344e-07 3.255819e-02 1.504019e-03 1.195897e-10 8.312088e-04 3.375684e-04

Odpowiednie są prawdziwe wartości

> print(true.val)
#[1] 0.00100 0.40000 0.20000 0.00001 0.12000 0.87000

Poniższy rysunek pokazuje szacunki parametrów z 95% przedziałami ufności i wartościami rzeczywistymi. RKod wykorzystywany do generowania to jest to poniżej.

plot(c(lambda, omega, alpha, beta), pch = 1, col = "red",
     ylim = range(c(fit.conf.lb, fit.conf.ub, true.val)),
     xlab = "", ylab = "", axes = FALSE)
box(); axis(1, at = 1:length(fit.val), labels = names(fit.val)); axis(2)
points(coef(fit), col = "blue", pch = 4)
for (i in 1:length(fit.val)) {
    lines(c(i,i), c(fit.conf.lb[i], fit.conf.ub[i]))
}
legend( "topleft", legend = c("true value", "estimate", "confidence interval"),
        col = c("red", "blue", 1), pch = c(1, 4, NA), lty = c(NA, NA, 1), inset = 0.01)