EVT 金融时间序列实现的极值理论图 R 语言图

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

====================================
Author :  Daniel Tulips Liu
====================================

2021 年 5 月 18 日 ，再次修改，增加了 Julia 语言的教学。

===================================上传一个 Julia 的PDF 文件。
teching.pdf (73.99 KB)

2021-5-18 19:25:49 上传

Julia 编程学习教学

===================================

R 语言众多EVT 极值理论的工具包在这个网址：https://cran.rstudio.com/web/views/ExtremeValue.html


这里实现的是可以发 SCI 全英文论文的图片，与论坛上已经发的不太一样。


当然还有一张是 VAR 向量自回归模型的 D-Y 波动溢出分解。

VAR 向量自回归 D-Y 分解图：




这里是 EVT 极值理论的绘图：

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏3 回帖

关键词：金融时间序列 时间序列 极值理论 RStudio 向量自回归模型

$$
A(L) =
\left[ \begin{array}{ccc}
1+0.114L^{1}-0.0152L^{2}-0.0429L^{3}-0.0787L^{4}-0.067L^{5}-0.082L^{6} & 0-0.418L^{1}-0.221L^{2}-0.116L^{3}+0.0128L^{4}-0.0879L^{5}+0.0663L^{6} & 0-0.253L^{1}-0.0201L^{2}-0.679L^{3}-0.426L^{4}+0.317L^{5}+0.116L^{6}    \\
0-0.0499L^{1}-0.0397L^{2}-0.0323L^{3}-0.102L^{4}-0.0249L^{5}-0.0389L^{6} & 1+0.156L^{1}-0.093L^{2}-0.263L^{3}-0.163L^{4}-0.0522L^{5}-0.0097L^{6} & 0+0.0497L^{1}+0.263L^{2}-0.00917L^{3}+0.15L^{4}+0.0151L^{5}-0.116L^{6}    \\
0-0.00611L^{1}-0.0126L^{2}-0.00824L^{3}+0.00269L^{4}-0.0282L^{5}+0.00782L^{6} & 0-0.0742L^{1}-0.0478L^{2}+0.0315L^{3}-0.0144L^{4}+0.00483L^{5}+0.0689L^{6} & 1-0.034L^{1}-0.202L^{2}-0.052L^{3}-0.198L^{4}-0.208L^{5}-0.0253L^{6}    \\
\end{array} \right]
$$

$$
B(L) =
\left[ \begin{array}{ccc}
1 & 0 & 0    \\
0 & 1 & 0    \\
0 & 0 & 1    \\
\end{array} \right]
$$

$$
C(L) =
\left[ \begin{array}{c}
-0.000423-0.00403L^{1}+0.00242L^{3}+0.00102L^{4}+0.00126L^{5}    \\
0.000292    \\
-9.52e-05    \\
\end{array} \right]
$$

$$
\begin{gathered}
{y_t} = {\mu _t} + {\sigma _t}{z_t},{\text{ }}{z_t} \sim i.i.d\left( {0,1} \right) \\
\log \sigma _t^2 = \omega + \sum\limits_{i = 1}^q {{\alpha _i}\log {r_{t – i}} + \sum\limits_{i = 1}^p {{\beta _i}\log \sigma _{t – i}^2} } \\
\log r_t = \xi + \delta \log \sigma _t^2 + \tau \left( {{z_t}} \right) + {u_t},{\text{ }}{u_t} \sim N\left( {0,\lambda } \right) \\
\end{gathered}
$$

|         |   N|   |  Mean|   SD|   |  Min| Q1| Median| Q3|  Max|
|:--------|---:|:--|-----:|----:|:--|----:|--:|------:|--:|----:|
|distance | 108|   | 24.02| 2.93|   | 16.5| 22|  23.75| 26| 31.5|
|age      | 108|   | 11.00| 2.25|   |  8.0|  9|  11.00| 13| 14.0|

$$
\begin{aligned}
p(y_t|\theta_t) &= \textrm{Poisson}(u_t e^{\theta_t}), \quad u_t = \textrm{population}_t,\\
\theta_t &= \mu_t + \epsilon_t, \quad \epsilon_t \sim N(0, Q_{\textrm{noise}}),\\
\mu_{t+1} &= \mu_t + \nu_t + \xi_t, \quad \xi_t \sim N(0, Q_{\textrm{level}}),\\
\nu_{t+1} &= \nu_t.
\end{aligned}
$$

$$
\begin{aligned}
\mu_{t+1} &=  \mu_t + \nu + \eta_t,
\end{aligned}
$$

$$
\hat \sigma^2 = \frac{1}{\sum I(F_{\infty,t} = 0)} \sum_{t=1}^n I(F_{\infty,t} = 0) v_t^2/F_t,
$$

$$
y_t = x^\top_t \beta + \epsilon_t, \quad t=1,\ldots,n,
$$