Ich experimentiere derzeit mit dem bayesDCCgarch
Paket und habe versucht, bivariate bedingte Korrelationen aus der Schätzung des Modells zu extrahieren.Extraktion der Korrelationsmatrix, R, aus BayesDCCgarch
Die Ausgabe der Funktion liefert nur die Varianz-Kovarianzmatrix h_T, die aus H = DRD besteht (wobei D_t aus der bedingten Varianz Schätzung des univariate GARCH- Modell kommt). Ich bin für die R Matrix
Ich habe here auf der GitHub im Code einen Blick hatten und haben, dass im Skript gesehen, bayesDccGarch.c
sie berechnen nicht die Korrelationsmatrix R (Zeilen 291-300)
// compute the R matrix
for(i = 0; i < k; i++){
hiit = omega[i];// /(1.0-beta[i]); // H_{ii,1}
MEs[i][0] = y[0][i]/sqrt(hiit);
for(t = 1; t < n; t++){
hiit = omega[i] + alpha[i]*y[t-1][i]*y[t-1][i] + beta[i]*hiit; // H_{ii,t}
MEs[i][t] = y[t][i]/sqrt(hiit); // Standard Errors
}
}
mcov(n, k, MEs, R); // compute the R matrix
jede Hilfe, wie ich Korrelationsmatrix R plotten könnte anstatt der geschätzten Volatilitäten für jede der Serie, wie in dem folgenden Code:
library(bayesDccGarch)
data(DaxCacNik)
mY<-DaxCacNik[,1:2]
out = bayesDccGarch(mY, nSim=1000)
plotVol(mY, out$H[,c("H_1,1","H_2,2")], c("DAX","CAC40"))
Ich möchte die Korrelationskonstruktion mit der dccfit
Funktion in der rmgarch
Bibliothek vergleichen.
Schauen am Ausgang der 'str (raus) '. Könnte es "out $ control $ cholCov" sein? Ich habe diese Funktion noch nicht benutzt, aber vielleicht kannst du sie finden, indem du die Elemente von "out" erkundest. – eipi10
Hatte einen Blick auf das Objekt, konnte nur die MCMC, Information Criteria und die H-Matrix als das Ausgabeobjekt der Funktion (und Kontrolle und Zeit) sehen. Ich denke nicht, dass eine direkte Korrelationskonstruktion wie 'cov/sqrt (var) sqrt (var)' aus der 'out $ H'-Matrix der richtige Weg ist, um die zeitabhängige Korrelation zu erhalten ... –