请问怎样用R语言产生arch, arch-m, garch, garch-m的随机数？

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

现在写论文遇到一个问题，我需要用r语言产生ARCH, ARCH in mean (ARCH-M), GARCH, GARCH in mean(GARCH-M) 四个时间序列模型的随机数，可是我并不知道 rugarch 包的用法，ugarchspec里的各个参数应该怎么指定呢？

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9 回帖

关键词：garch-m GARCH ARCH ARC RCH R语言 时间序列 garch

设置好ugarchspec各个参数之后，下一步应该怎样做呢，ugarchsim必须要使用ugarchfit拟合，可是我并没有data去拟合啊，我只是想R给出随机数，该怎样做呢。
求教大神，困扰很久了，搜不到相关知识

目前的探索结果：
1. 目测fGarch包没办法产生arch-m, garch-m等稍微复杂点的模型？不过产生arch, garch是足够用了，所以决定还是用fGarch包来产生arch, garch 模拟随机数，并进行接下来经验似然方法参数估计。
2. 已经知道该怎样使用rugarch包设置garch族不同模型的参数，然而怎样得到随机模拟数据还是迷茫。。不得不承认基础薄弱，理论和实践都一知半解>_<
3. 下面将总结的ugarchspec参数设置方法列下来，以免将来有需要的时候遗忘，也许可以帮助跟我一样探索阶段的菜鸟。

##rugarch包可以用来构造各种各样的garch族模型，首先使用ugarchspec指定各个参数，然后使用ugarchfit来拟合模型，最后使用ugarchsim函数模拟－－－
##ugarchspec参数设定包括：
#1）方差方程: variance.model
#2）均值方程: mean.model
#3）分布方程: distribution.model
##比如模拟ARCH模型
##设定ARCH模型参数
variance.model = list(model = "GARCH", garchOrder = c(1, 0),submodel = NULL, external.regressors = NULL, variance.targeting = FALSE)
mean.model = list(armaOrder = c(1, 0), include.mean = TRUE, archm = FALSE, archpow = 1, arfima = FALSE, external.regressors = NULL, archex = FALSE)
distribution.model="nrom"
fixed.pars=list(ar1=0.3,ma1=0.3)
myspec=ugarchspec(variance.model = list(model = "fGARCH", garchOrder = c(1, 0),submodel = "GARCH", external.regressors = NULL, variance.targeting = FALSE),mean.model = list(armaOrder = c(1, 0), include.mean = TRUE, archm = FALSE, archpow = 1, arfima = FALSE, external.regressors = NULL, archex = FALSE),distribution.model="norm",fixed.pars=list(ar1=0.3,alpha1=0.3,omega=0))
##以上产生的就是AR(1)-ARCH(1)。

然而我还是需要找到模拟ARCH-M, GARCH-M 的方法!>_<我已知如何设置好ugarchspec各个参数，接下来该怎么simulation呢。。求教大神～～～

我决定每天过来顶帖n遍，直到解决了这一问题^_^

##GARCH(1,1)-M random number generation
##y[t] = mu + c * h[t] + epsilon[t]
##epsilon[t] = eta[t] * sqrt(h[t])
##h[t] = omega + alpha * epsilon[t-1]^2 + beta * h[t-1]
T<-1000
epsilon<-numeric(T)
h<-numeric(T)
eta<-numeric(T)
omega<-numeric(1)
alpha<-numeric(1)
beta<-numeric(1)
mu<-numeric(1)
y<-numeric(T)
#step1: generate eta~N(0,1)
eta<- rnorm(T)
#epsilon[1]= , h[1]= , mu=0, omega=0
mu=0
c=0.2
omega=0.2
alpha<-0.3
beta<-0.1
for(t in 1:(T-1)){
  epsilon[1]=sqrt(omega/(1-alpha-beta))
  h[1]=(epsilon[1]/eta[1])^2
  h[t+1]= omega + alpha * (epsilon[t])^2 + beta * h[t]
  epsilon[t+1] = eta[t+1] * sqrt(h[t+1])
  y[t+1] = mu + c * h[t+1] + epsilon[t+1]    y[1]=mean(y)
}

以上是我用r产生garch(1,1)-m随机数的过程，理论上应该是没问题吧？然而还是不自信，如果r里有自动化生成的语句就放心了，而且自己产生的随机数不太适合我接下来进行经验似然估计参数。。。愁啊愁，谁能告诉我r里面怎样产生garch-m的语句

在Research Gate 上发帖问了同样的问题，没想到很快得到了解答，一位University of Balochistan的教授给了我蔡瑞胸的程序，未来可能会用到这一块内容的筒子们注意了，接下来高能预警，来自Ruey Tsay 的garch in mean model 模拟数产生的程序，见附件！！我反正是惊呆了，我要去细细研读了，目测智商不够

再发一个修正版的简单点的程序吧： 还是那个教授帮我略微修改了一下我的程序，应该会更合理点，获得的随机数更稳定：
然而不确定正确性，目前为止，我根据这个程序产生的随机数做的garch-m的经验似然估计效果是还不错，但不知道实证分析会不会理想。。。会再更新。
##GARCH(1,1)-M random number generation
##y[t] = mu + c * h[t] + epsilon[t]
##epsilon[t] = eta[t] * sqrt(h[t])
##h[t] = omega + alpha * epsilon[t-1]^2 + beta * h[t-1]
nT<-1000; burnin = 500; T = burnin + nT
epsilon<-numeric(T)
h<-numeric(T)
eta<-numeric(T)
y<-numeric(T)
#step1: generate eta~N(0,1)
eta<- rnorm(T)
mu=0
delta=0.2
omega=0.2
alpha<-0.1
beta<-0.8

h[1]=(omega/(1-alpha-beta))^2
epsilon[1] = eta[1] * sqrt(h[1])
y[1] = mu + delta * h[1] + epsilon[1]

for(t in 2:T){
  h[t]= omega + alpha * (epsilon[t-1])^2 + beta * h[t-1]
  epsilon[t] = eta[t] * sqrt(h[t])
  y[t] = mu + delta * h[t] + epsilon[t]
}

# Remove burin period
data = y[burnin+1:nT]
vol = h[burnin+1:nT]
# Plot data(y) and vol(h)
par(mfrow=c(1,1))
ts.plot(data)
ts.plot(vol)