代码之家 › 专栏 › 技术社区 › TheAvenger

R rugarch模拟

simulation statistics r

TheAvenger · 技术社区 · 7 年前

我想知道rugarch规格模型中每个参数的范围。例如,分布误差“nig”和模型“apARCH”。我想知道与“nig”分布相关的参数“skew”、“shape”以及模型“apARCH”的参数“gamma”和“delta”的范围。这是我的代码示例:

varianceModel = list(model="apARCH", garchOrder=c(1,1))
meanModel = list(armaOrder=c(1,1))
distributionModel = "nig"
fixedPars = list(mu=0, ar1 = 0.1, ma1= 0.9, omega=0.001, alpha1=0.1, beta1=0.8, gamma1 = 0.01, delta = 2, shape=1.5, skew = 0.2)


spec <- ugarchspec(variance.model = varianceModel, 
                         mean.model= meanModel, distribution.model=distributionModel, 
                         fixed.pars=fixedPars)
path.sgarch <- ugarchpath(spec, n.sim=1000, n.start=1, m.sim=20)

现在,对于每个参数,我如何获得可能的范围或“标准”参数?

1 回复 | 直到 7 年前

Julius Vainora 7 年前

在的文档中似乎没有此类参数的可能值范围列表 rugarch 虽然 this introduction 仅提供部分信息。

然而,这些可能值的范围是(至少应该是)标准的,因为它们提供了定义良好的分布和平稳模型。因此,您应该能够在其他一些源中找到所有此类范围。

然而,关于发行版,实际上在 鲁加奇 您可以使用的 rugarch:::.DistributionBounds 函数源代码。例如,它包含

if (distribution == "nig") {
    skew = 0.2
    skew.LB = -0.99
    skew.UB = 0.99
    shape = 0.4
    shape.LB = 0.01
    shape.UB = 25
}

这意味着 skew 分别为-0.99和0.99。要更快地提取这些数字,可以使用

rugarch:::.DistributionBounds("nig")[c("skew.LB", "skew.UB")]
# $skew.LB
# [1] -0.99
#
# $skew.UB
# [1] 0.99

关于方差模型,通常为“简单”范围,如-1<伽马值(<);1用于 APARCH ,不可用/您想要的,因为它们只允许模型存在,但不保证平稳性。例如,对于GARCH(1,1),我们需要α+β<1.因此,实际上,我们有比间隔更高的维度约束。正如我所说,你可以在网上找到这些。

然而 ugarchpath 还可以通过计算来检查这些条件 persistence(spec) 。现在,正如你在

getMethod("persistence", signature(object = "uGARCHspec", pars = "missing", 
                                   distribution = "missing", model = "missing", 
                                   submodel="missing"))

对于每个规范,都有不同的方法来计算这种持久性。例如,对于APARCH,我们看

rugarch:::.persistaparch1
# function (pars, idx, distribution = "norm") 
# {
#     alpha = pars[idx["alpha", 1]:idx["alpha", 2]]
#     beta = pars[idx["beta", 1]:idx["beta", 2]]
#     gamma = pars[idx["gamma", 1]:idx["gamma", 2]]
#     delta = pars[idx["delta", 1]:idx["delta", 2]]
#     skew = pars[idx["skew", 1]:idx["skew", 2]]
#     shape = pars[idx["shape", 1]:idx["shape", 2]]
#     ghlambda = pars[idx["ghlambda", 1]:idx["ghlambda", 2]]
#     ps = sum(beta) + sum(apply(cbind(gamma, alpha), 1, FUN = function(x) x[2] * 
#         aparchKappa(x[1], delta, ghlambda, shape, skew, distribution)))
#     return(ps)
# }

条件是 ps < 1 。请注意

rugarch:::.persistsgarch1
# function (pars, idx, distribution = "norm") 
# {
#     ps = sum(pars[idx["alpha", 1]:idx["alpha", 2]]) + sum(pars[idx["beta", 
#         1]:idx["beta", 2]])
#     return(ps)
# }

在GARCH(1,1)的情况下精确给出α+β,然后 ugarchpath公司 检查上述平稳性条件。因此,您可以做的最简单的事情是检查 persistence(spec) < 1 在模拟之前。例如,在您的示例中,

persistence(spec)
# [1] 0.8997927