全文链接：http://tecdat.cn/?p=30426
最近我们被客户要求撰写关于GARCH-EVT-Copula的研究报告，包括一些图形和统计输出。对VaR计算方法的改进，以更好的度量开放式基金的风险。本项目把基金所持股票看成是一个投资组合，引入Copula来描述多只股票间的非线性相关性，构建多元GARCH-EVT-Copula模型来度量开放式基金的风险，并与其他VaR估计方法的预测结果进行比较其次是将VaR引入到基金业绩评价中，构造RAROC指标来评价基金业绩，检验该评价指标的可行性。GARCH-EVT-Copula 模型首先用GARCH族模型拟合单项资产收益率，并提取标准化残差以满足极值理论的假设前提，接着对标准化残差的上下尾部分采用EVT理论中的广义帕累托分布GPD拟合，中间部分采用高斯核函数来估计其经验累积分布函数，从而得到标准化残差的边缘分布函数 。然后选取适当的Copula 函数,构造多元标准化残差间的相关结构和联合分布函数。Copula 函数参数估计本项目中，采用 伪极大似然估计（CML） 方法来估计 Copula 函数的参数 第一步，将金融资产对数收益率数据x通过经验分布函数转化为均匀变量(uniform variates) 第二步，利用密度似然函数估计Copula函数的参数:
GARCH-EVT-Copula 模型计算 VaR本项目将开放式基金看做是一个资产组合，以每只基金所持有的股票收益率为研究对象，从投资组合的角度利用多元GARCH-EVT-Copula模型来计算基金的VaR值。 
读取数据
[NUM,TXT,RAW]=xlsread(‘data’)
Data=NUM
function [ output_args ] = GEC( input_args )
建立 GARCH 模型nIndices = size(Data,2); % # 基金数量
spec(1:nIndices) = garchset(‘Distribution’ , ‘T’ , ‘Display’, ‘off’, …
‘VarianceModel’, ‘GJR’, ‘P’, 1, ‘Q’, 1, ‘R’, 1);%对每只基金设置garch模型的
残差自相关性检验%残差自相关性检验
figure, subplot(2,1,1)
plot(residuals(:,1))
xlabel(‘时间’), ylabel(‘残差’), title (‘N225收益率残差’)
根据 FHS 提取标准化残差title(‘N225标准化残差自相关图’)
subplot(2,1,2)
autocorr(residuals(:,1).^2)
点击标题查阅往期内容
R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列
左右滑动查看更多
01
02
03
04
GDAXI%残差自相关性检验
figure, subplot(2,1,1)
plot(residuals(:,2))
GSPC
FCHI%残差自相关性检验
figure, subplot(2,1,1)
plot(residuals(:,4))
根据 FHS 提取标准化残差
采用 EVT 理论对标准残差估计累计分布函数
% Estimate the Semi-Parametric CDFs
nPoints= 200; % # of sampled points of kernel-smoothed CDF需要拟合的样本点
tailFraction = 0.1; % Decimal fraction of residuals allocated to each tail 小数保存位数
plot(y, (OBJ{index}.cdf(y + Q(2)) – P(2))/P(1))
[F,x] = ecdf(y); % empirical CDF
hold(‘on’); stairs(x, F, ‘r’); grid(‘on’)
legend(‘拟合的广义 Pareto 累计分布函数’,’经验累积分布函数’,’Location’,’SouthEast’);
xlabel(‘Exceedance’); ylabel(‘Probability’);
title([‘标准化残差序列’,num2str(index),’的上尾’]);
for i=1:242
VaRp(i,:)=pPrice(i+T-242)*exp(VaR(i,:));
end
%%
figure
plot(1:242,pPrice(T-242+2:end),’r-‘,1:242,VaRp(1:242,1),’g-‘,1:242,VaRp(1:242,2),’b-‘,1:242,VaRp(1:242,3),’y-‘);
title(‘基金持股收盘价实际与 VaR 预测下限走势图’)
plot(1:242, b(:,s),’go-‘,x,d,’ro’,1:0.25:250,0,’b’);
legend(‘未突破 VaR 预测下限’,’突破 VaR 预测下限’,’Location’,’Best’ )
title(‘基金实际持股收盘价与 VaR 预测下限差额’)
xlabel(‘时间日期’)
ylabel(‘差额’);
收益率t分布%QQ图
N225收益率平方自相关图和偏相关图
点击文末 “阅读原文”获取全文完整代码数据资料。本文选自《MATLAB用GARCH-EVT-Copula模型VaR预测分析股票投资组合》。点击标题查阅往期内容R语言使用多元AR-GARCH模型衡量市场风险R语言GARCH模型对股市sp500收益率bootstrap、滚动估计预测VaR、拟合诊断和蒙特卡罗模拟可视化R语言单变量和多变量（多元）动态条件相关系数DCC-GARCH模型分析股票收益率金融时间序列数据波动率R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格GARCH-DCC模型和DCC（MVT）建模估计R语言预测期货波动率的实现：ARCH与HAR-RV与GARCH，ARFIMA模型比较ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析Garch波动率预测的区制转移交易策略金融时间序列模型ARIMA 和GARCH 在股票市场预测应用时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测R语言极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测R语言时间序列GARCH模型分析股市波动率R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测matlab实现MCMC的马尔可夫转换ARMA – GARCH模型估计Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析R语言多元Copula GARCH 模型时间序列预测R语言使用多元AR-GARCH模型衡量市场风险R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格R语言用Garch模型和回归模型对股票价格分析GARCH（1,1），MA以及历史模拟法的VaR比较matlab估计arma garch 条件均值和方差模型
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
