可以解决的问题:
ADF检验、LM检验、GARCH-MIADS估计
1.问题提出:
该模型主要研究的问题是,不同频率的时间序列A对序列B的影响。其中序列A是周频或者月频,例如月度政策不确定性,B多数为日频数据,例如股票收益。
在匹配经济信息和股市波动率时,由于宏观经济信息是低频率,如果将股市日度数据转换为月度数据或者季度数据的估计方法,会损失股市中的高频有效信息,引起参数估计和波动率预测的偏误,并且无法评估经济信息对股市波动率的综合影响。
2.数据处理:
A.首先是读取文件:我的文件是csv格式
B.数据整理
这里由于是计算每个行业的股市,因此要10个矩阵,做10个模型。在这里定义一个函数,每次生成一个矩阵。
结果是这样的
这里要注意的是,month,date一定要格式化,否则会报错,相关代码在文档中。
3.模型说明:
文档中包含完整模型,可以复制。
4.GARCH检验:
A.ADF检验
ADF检验思路:循环得到每列的Dickey-Fuller值和对应P值
模型:
H0:存在单位根 Ƿ=1
H1:不存在单位根 Ƿ<1
结果:DF值的绝对值大于临界值的绝对值 / DF值小于临界值 (DF是负值)
P值小于0.01(0.05) 拒绝原假设,不存在单位根,序列平稳
代码:
结果如下:
B.LM检验
设均值方程:
记:
检验模型:
H0:
H1: 不全为0
LM检验思路:循环得到每列的N(max_lag)阶LM检验值, 看是否拒绝原假设,均拒绝原假设则存在ARCH效应。
构建一个矩阵,通过定义函数,将结果记录到一个表格中,再保存。
模型:
单次结果如下:
总结果如下:
表明适合GARCH模型
5.模型代码
A.一次的结果
结果如下:
B. 将结果整合
整合完之后,就可以得到参数矩阵了
如果写all_para[[2]]就是第二个模型的参数
第一行是强度,第二行是权重。
- GARCH-MIdas.docx
- Garch-midas.R
- midas.csv