1. 模型简介
普通的模型对于两个序列的波动分析一般是静态的,但是dcc-garch模型可以实现他们之间动态相关的波动分析,即序列间波动并非为一个常数,而是一个随着时间的变化而变化的系数。其主要用于研究市场间波动率的关系。
2. DCC-GARCH模型代码及应用2.1,导入数据
首先是读取文件:我的文件是csv格式,内容是各行业指数的收益率
得到:
2.2,变量平稳性检验以下以ADF检验为例。
总体保存到csv的结果如下:
结果表明序列平稳。
2.3 ARCH效应检验
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。
结果表明存在ARCH效应
2.4 Box-Ljung检验 (选择合适的ARCH模型)
最终结果如下:
可见,ARCH(5)仍然不是最优模型,因此直接选择GARCH(1,1)
TIPS:经验表明,GARCH(1,1)适用于大多数金融序列。
2.5 建立DCC模型
思路:两两建立GARCH-DCC模型,均值方程设定为常数项形式,原因:股票随机游走假设方差方程为GARCH(1,1)
R代码设定思路
建立GARCH -DCC 需要分别设定3个方程,2个单序列GARCH方程和1个DCC联立方程2个单序列GARCH为spec1和spec2,DCC联立方程为mspec = multispec( c( spec1, spec2 ) ) 代码:
功能:需要传入一个T×2的时间序列,打印模型的参数,返回一个残差相关性序列
结果如下(一次为例)
Dcca1 和dccb1 显著,表明存在DCC效应。(行业联动性、时变相关性)
由于设定为默认形式,因此VAR参数是0。
随后还需要循环两两计算行业间联动性,并且需要绘制时变相关性
2.6 以其他股票和能源股票为例:
结果如下:
注:本程序将免费提供,关注:计量模型研究院