Sie müssen sich mit der Suche nach zweiter Ordnung Persistenz in der Rückserie zu starten, bevor ein GARCH Modell geht zu passen. Lassen Sie uns durch ein schnelles Beispiel arbeiten, wie dies funktioniert
Beginnen Sie mit der Rückkehr der Serie. Hier verwende ich die quantmod
Bibliothek in den Daten zu laden für SPDR S & P 500 ETF oder SPY
library(quantmod)
library(PerformanceAnalytics)
rtn<-getSymbols(c('SPY'),return.class='ts')
Als nächstes berechnen die Rückkehr Serie entweder selbst oder mit Hilfe der Return.calculate
Funktion, wie durch die PerformanceAnalytics
bereitgestellt Bibliothek
Rtn <- diff(log(SPY[,"SPY.Close"])) * 100
#OR
Rtn <- Return.calculate(SPY[,"SPY.Close"], method = c("compound","simple")[2]) * 100
Betrachten wir nun die Persistenz der Momente der ersten und zweiten Ordnung der Serie. Verwenden Sie für Momente zweiter Ordnung die quadrierte Rückkehrserie als Proxy.
Plotdata<-cbind(Rtn, Rtn^2)
plot.zoo(Plotdata)
Es bleibt starke erste Persistenz in Renditen und es ist eindeutig Zeiten starken Persistenz zweiter Ordnung, wie in den quadratischen Renditen gesehen.
Wir können nun offiziell mit ARCH-Effekten testen. Eine formelle Prüfung für ARCH Effekte ist LBQ Statistiken auf squared Rückgabe:
Box.test(coredata(Rtn^2), type = "Ljung-Box", lag = 12)
Box-Ljung test
data: coredata(Rtn^2)
X-squared = 2001.2, df = 12, p-value < 2.2e-16
Wir klar die Nullhypothese der Unabhängigkeit in einer gegebenen Zeitreihe ablehnen können. (ARCH-Effekte)
Fin.Ts stellen auch den ARCH-LM-Test für die bedingte Heteroskedastie in dem Rückgabewert:
library(FinTS)
ArchTest(Rtn)
ARCH LM-test; Null hypothesis: no ARCH effects
data: Rtn
Chi-squared = 722.19, df = 12, p-value < 2.2e-16
Dies unterstützt den Abschluss des Tests LBQ dass ARCH-Effekte vorhanden sind.
Sie meinen Arch in der ursprünglichen Serie oder in den Garch-Residuen? Zum ersten Mal können Sie Arch LM ausprobieren, bis Sie den Test bestanden haben – Robert