波动率预测是当前金融工具中一个有趣的具有挑战性的话题，因为它与利润直接相关。 有许多与波动性直接相关的风险和回报。 因此，预测波动性成为金融领域最可有可无的话题。 GARCH 分布在风险度量和期权定价中起着重要作用。 在本文中，动机是通过使用不同的分布模型来衡量 GARCH 技术在预测波动率方面的性能。 我们在用于预测股票实体波动性的分布模型中使用了 9 种变体。 本文观察到的不同 GARCH 分布模型有 Std、Norm、SNorm、GED、SSTD、SGED、NIG、GHYP 和 JSU。 提前 10 天预测波动率，并将值与实际值进行比较，以找出波动率预测的最佳分布模型。 从获得的结果可以看出，具有 GED 分布模型的 GARCH 优于所有模型。
2022-12-04 20:56:30
700KB
1
（1）自回归（AR）
（2）移动平均线
（3）自回归移动平均线
（4）自回归综合移动平均线（ARIMA）
（5）季节性自回归综合移动平均线 (SARIMA)
（6）具有外生回归量的季节性自回归综合移动平均线 (SARIMAX)
（7）带有 ARIMA 误差的回归模型
（8）向量自回归（VAR）
（9）GARCH 模型
（10）Glostan、Jagannathan 和 Runkle GARCH 模型
2022-11-28 16:26:01
333KB
本文介绍了R包bayesGARCH，它为使用Student-t创新的简约但有效的GARCH（1,1）模型提供了贝叶斯估计功能。 估计过程是全自动的，因此避免了调整采样算法的耗时且困难的任务。 在经验应用程序中显示了包的用法以交换汇率对数收益。
2022-11-21 14:28:52
498KB
1
主要是作ARIMA-GARCH，ARIMA-TGARCH模型，但是后面GARCH模型图像拟合那里会有点问题。
2022-11-08 09:31:25
5KB
1
DCC-GARCH模型
Dynamic Conditional Correlation - GARCH
该文件所包含以下几个小文档
1.DCC-GARCH理论讲解和stata操作教程和结果解读等教程
2.视频中的do文档以及所用数据
3.第二份数据
4.stata17解压包
目前鱼同学未看到全网由特别权威的大牛和书籍提供具体的步骤，该模型的视频教程仅根据鱼同学理解进行创作，请谨慎利用和学习。在该视频中操作了DCC-MGARCH模型的操作过程、动态相关系数以及动态相关系数图。同时，也论述了CCC、DCC以及VCC之间的差别。
在文件中，鱼同学为大家提供了两份数据集以供测试。
2022-11-04 22:46:32
3KB
1
在本文中，我们使用斯德哥尔摩证券交易所的每日股票收益率来检查其波动性。 因此，我们不仅估计GARCH（1,1）对称模型，而且估计具有不同残差分布的非对称模型EGARCH（1,1）和GJR-GARCH（1,1）。 波动率模型的参数使用Marquardt算法（Marquardt [1]）通过最大似然（ML）进行估算。 调查结果表明，在这个市场上，负面冲击比正面冲击影响更大。 同样，用于预测收益的指数表明，带有t型学生的ARIMA（0,0,1）-EGARCH（1,1）模型可以更精确地预测斯德哥尔摩证券交易所的波动率和预期收益。
2022-11-04 21:32:08
1.66MB
1