Oto przykład implementacji przy użyciu rugarch
pakietu i niektórych fałszywych danych. Funkcja ugarchfit
pozwala na włączenie regresorów zewnętrznych do równania średniego (zwróć uwagę na użycie external.regressors
in fit.spec
w 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,2tZt
ytϵtσ2)t= λ0+ λ1xt , 1+ λ2)xt , 2+ ϵt,= σtZt,= ω + α ϵ2)t - 1+ βσ2)t - 1,
xt , 1xt , 2tZt
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 txt , 1xt , 2ytR
## 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 ugarchfit
w 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. R
Kod 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)
ugarchfit
funkcji.