原文链接： http://tecdat.cn/?p=3186

本文显示了如何基于潜在的ARMA-GARCH过程（当然也涉及更广泛意义上的QRM）来拟合和预测风险价值（VaR）。

1 从ARMA-GARCH进程模拟（log-return）数据

我们考虑使用\（t \）分布的ARMA（1,1）-GARCH（1,1）过程。

模拟一条路径（用于说明目的）。

nu <- 3fixed.p <- list(mu = 0, #   mu (intercept)ar1 = 0.5, #   phi_1 (AR(1) 参数 of mu_t)ma1 = 0.3, #   theta_1 (MA(1) 参数 of mu_t)omega = 4, #   alpha_0 (intercept)alpha1 = 0.4, #   alpha_1 (GARCH(1) 参数 of sigma_t^2)beta1 = 0.2, #   beta_1 (GARCH(1) 参数 of sigma_t^2)shape = nu) #armaOrder <- c(1,1) # ARMA 参数garchOrder <- c(1,1) # GARCH 参数varModel <- list(model = "sGARCH", garchOrder = garchOrder)spec <- ugarchspec(varModel, mean.model = list(armaOrder = armaOrder),fixed.pars = fixed.p, distribution.model = "std") # t 标准残差

作为一个完整性检查，让我们绘制模拟路径，条件标准偏差和残差。

plot(X,   type = "l", xlab = "t", ylab = expression(X[t]))

plot(sig, type = "h", xlab = "t", ylab = expression(sigma[t]))

plot(eps, type = "l", xlab = "t", ylab = expression(epsilon[t]))

2将ARMA-GARCH模型拟合到（模拟）数据

拟合ARMA-GARCH流程 。

让我们再考虑一些健全性检查。

## 拟合 an ARMA(1,1)-GARCH(1,1) modelspec <- ugarchspec(varModel, mean.model = list(armaOrder = armaOrder),distribution.model = "std") #fit <- ugarchfit(spec, data = X) # fit##mu. <- fitted(fit) # 拟合 hat{mu}_t (= hat{X}_t)sig. <- sigma(fit) # 拟合 hat{sigma}_t##stopifnot(all.equal(as.numeric(mu.),  fit@fit$fitted.values),all.equal(as.numeric(sig.), fit@fit$sigma))

3计算VaR时间序列

计算VaR估计值。请注意，我们也可以在这里使用基于GPD的估算器。

4 Backtest VaR估计值

让我们回顾一下VaR的估计。

## [1] 10## [1] 12## [1] "Correct Exceedances"## [1] "Fail to Reject H0"## [1] "Correct Exceedances & Independent"## [1] "Fail to Reject H0"

5基于拟合模型预测VaR

现在预测VaR。

6模拟\（（X_t）\）的未来轨迹并计算相应的VaR

模拟路径，估计每个模拟路径的VaR（注意 quantile()这里不能使用，因此我们必须手动构建VaR）并计算\（\ mathrm {VaR} _ \ alpha \）的bootstrap置信区间。

7

最后，让我们显示所有结果。

非常感谢您阅读本文，有任何问题请在下面留言！

最受欢迎的见解

1. R语言基于ARMA-GARCH-VaR模型拟合和预测实证研究

2. R语言时变参数VAR随机模型

3. R语言时变参数VAR随机模型

4. R语言基于ARMA-GARCH过程的VAR拟合和预测

5. GARCH（1,1），MA以及历史模拟法的VaR比较

6. R语言时变参数VAR随机模型

7. R语言实现向量自动回归VAR模型

8. R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型

9. R语言VAR模型的不同类型的脉冲响应分析