R与金融时间序列分析常见问题集

Fri, 03 Feb 2012 00:00:00 +0000

大概四、五个月前，心血来潮打算总结一下COS论坛上关于金融时间序列分析上的常见问题，期许能够形一个集子以方便有需求者查询使用。因先前从未写过书籍，一时难以把握集子的结构便犹豫了很久。后来，无意中发现了《A Discussion of Time Series Objects for R in Finance》这本册子，读罢便决定以该册子的结构为蓝本来总结金融时间序列分析的常见问题集。问题集结构如下:

基础篇
- 时间序列对象创建
- 时间戳操作
- 取子集操作
- 缺失值处理
- 操作效率度量等
技术篇
- R与ARIMA模型
- GARCH族模型
- VaR（Value at Risk）模型
- 极值理论模型等

目前，基础篇大致完成，技术篇尚未完善，而已完成部分中定有不少错漏之处，希望发现错误的童鞋们能够及时批评指正。此外，本问题集由王晓伟、熊熹、刘剑锋、杨羽提供初稿，由我最终润色完成。感兴趣的人可以在点击FAQ下载。

基于GRACH模型计算VaR

Thu, 23 Dec 2010 00:00:00 +0000

一、引言

风险价值（VaR）是衡量金融资产潜在损失的核心指标，但传统方法假设收益率服从独立同分布的正态分布，难以捕捉金融时间序列的 “波动聚类”（volatility clustering）和 “尖峰厚尾” 特性。

ARCH（自回归条件异方差）模型及扩展的 GARCH（广义自回归条件异方差）模型通过刻画波动率的动态变化，能更精准地拟合收益率分布，从而提升 VaR 估计的可靠性。

本文以特斯拉（TSLA）股票收益率为例，详细介绍 GARCH 模型的构建、参数估计及 VaR 计算流程，并通过 R 语言quantmod和rgarch包实现实证分析。

二、GARCH 模型理论

ARCH 模型基础

ARCH 模型假设资产收益率的条件方差依赖于过去的平方残差，其核心是波动率的动态性。

均值方程：

\[ r_t = \mu + \epsilon_t \tag{1} \]

其中，

\(r_t\) 为 t 时刻的收益率，

\(\mu\) 为常数均值，

\(\epsilon_t\) 为随机扰动项，且 \(\epsilon_t = \sigma_t \cdot z_t\) （ \(z_t\) )为独立同分布的随机变量，通常假设 \(z_t \sim N(0,1)\) ）。

条件方差方程（ARCH (q)）：

\[\sigma_t^2 = \omega + \alpha_1 \epsilon_{t-1}^2 + \alpha_2 \epsilon_{t-2}^2 + ... + \alpha_q \epsilon_{t-q}^2 \tag{2} \]

其中，\(\sigma_t^2\) 为 t 时刻的条件方差，\(\omega > 0\) ，\(\alpha_i \geq 0\) （保证方差非负），q为 ARCH 阶数。

GARCH 模型扩展

GARCH 模型在 ARCH 基础上引入过去的条件方差项，简化了高阶 ARCH 模型的参数估计。最常用的 GARCH (p,q) 模型形式为：

均值方程：同式（1）

条件方差方程（GARCH (p,q)）：

\[ \sigma_t^2 = \omega + \sum_{i=1}^p \beta_i \sigma_{t-i}^2 + \sum_{j=1}^q \alpha_j \epsilon_{t-j}^2 \tag{3} \]

其中，p为 GARCH 阶数（滞后条件方差项），q为 ARCH 阶数（滞后平方残差项），且 \(\omega > 0\) ， \(\beta_i \geq 0\) ， \(\alpha_j \geq 0\) ， \(\sum_{i=1}^p \beta_i + \sum_{j=1}^q \alpha_j < 1\) （保证方差平稳）。

实际应用中，GARCH (1,1) 模型因简洁且拟合效果好而被广泛使用：

\[ \sigma_t^2 = \omega + \beta_1 \sigma_{t-1}^2 + \alpha_1 \epsilon_{t-1}^2 \tag{4} \]

模型扩展与分布假设变种模型：通过修改条件方差方程可得到 EGARCH（指数 GARCH，捕捉杠杆效应）、IGARCH（积分 GARCH，非平稳波动率）等。

分布假设：为捕捉 “尖峰厚尾”，可假设扰动项 \(z_t\) 服从学生 t 分布（GARCH-t）、广义误差分布（GARCH-GED）等，而非正态分布。

基于 GARCH 模型的 VaR 计算

给定置信水平 \(1-\alpha\) （如 95%、99%），VaR 定义为：

\[ VaR_t = \mu_t + \sigma_t \cdot z_\alpha \tag{5} \]

其中：

\(\mu_t\) 为 t 时刻的条件均值（通常假设为 0 或常数）；

\(\sigma_t\) 为 GARCH 模型预测的条件标准差；

\(z_\alpha\) 为扰动项分布的 \(\alpha\) 分位数（如正态分布下 95% 置信水平的 \(z_\alpha = -1.645\) ）。

三、R 语言实证分析（TSLA 数据）

数据准备与预处理使用 quantmod 获取 TSLA 股票数据并计算对数收益率：

# 安装并加载包
if (!require("quantmod")) install.packages("quantmod")
if (!require("rugarch")) install.packages("rugarch")
if (!require("ggplot2")) install.packages("ggplot2")
library(quantmod)
library(rugarch)
library(ggplot2)

# 获取TSLA数据（2018-2023年）
getSymbols("TSLA", from = "2018-01-01", to = "2023-12-31")

## [1] "TSLA"

tsla_close <- TSLA$TSLA.Close # 提取收盘价
ret <- diff(log(tsla_close)) # 计算对数收益率
ret <- na.omit(ret) # 去除缺失值
colnames(ret) <- "TSLA_Return"

拟合 GARCH 模型以 GARCH (1,1) 为例，分别假设正态分布、t 分布和 GED 分布：

# 定义模型规范（正态分布）
garch_spec_norm <- ugarchspec(
 variance.model = list(model = "sGARCH", garchOrder = c(1,1)), # 标准GARCH(1,1)
 mean.model = list(armaOrder = c(0,0)), # 均值模型为常数（无ARMA项）
 distribution.model = "norm" # 正态分布
)

# 拟合模型
garch_fit_norm <- ugarchfit(spec = garch_spec_norm, data = ret)
print(garch_fit_norm) # 输出参数估计结果

## 
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
## 
## Conditional Variance Dynamics 	
## -----------------------------------
## GARCH Model	: sGARCH(1,1)
## Mean Model	: ARFIMA(0,0,0)
## Distribution	: norm 
## 
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu 0.001551 0.000945 1.6407 0.100852
## omega 0.000080 0.000025 3.1932 0.001407
## alpha1 0.066008 0.013489 4.8936 0.000001
## beta1 0.883325 0.026129 33.8057 0.000000
## 
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu 0.001551 0.001042 1.4883 0.136684
## omega 0.000080 0.000041 1.9324 0.053305
## alpha1 0.066008 0.020564 3.2098 0.001328
## beta1 0.883325 0.040170 21.9898 0.000000
## 
## LogLikelihood : 2784.519 
## 
## Information Criteria
## ------------------------------------
## 
## Akaike -3.6877
## Bayes -3.6736
## Shibata -3.6877
## Hannan-Quinn -3.6824
## 
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.02525 0.8737
## Lag[2*(p+q)+(p+q)-1][2] 0.92656 0.5227
## Lag[4*(p+q)+(p+q)-1][5] 2.41996 0.5230
## d.o.f=0
## H0 : No serial correlation
## 
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.06154 0.8041
## Lag[2*(p+q)+(p+q)-1][5] 1.91852 0.6378
## Lag[4*(p+q)+(p+q)-1][9] 3.32230 0.7048
## d.o.f=2
## 
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.1339 0.500 2.000 0.7144
## ARCH Lag[5] 0.1515 1.440 1.667 0.9765
## ARCH Lag[7] 1.3871 2.315 1.543 0.8437
## 
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 0.7741
## Individual Statistics: 
## mu 0.1583
## omega 0.1017
## alpha1 0.1429
## beta1 0.0778
## 
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 	 1.07 1.24 1.6
## Individual Statistic:	 0.35 0.47 0.75
## 
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.1675 0.8670 
## Negative Sign Bias 0.3152 0.7527 
## Positive Sign Bias 0.5054 0.6134 
## Joint Effect 0.4957 0.9198 
## 
## 
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 99.19 7.510e-13
## 2 30 112.84 7.843e-12
## 3 40 122.45 1.505e-10
## 4 50 129.67 3.238e-09
## 
## 
## Elapsed time : 0.1193922

# 扩展：拟合GARCH-t和GARCH-GED
garch_spec_t <- ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1,1)),
 mean.model = list(armaOrder = c(0,0)),
 distribution.model = "std") # 学生t分布
garch_fit_t <- ugarchfit(spec = garch_spec_t, data = ret)

garch_spec_ged <- ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1,1)),
 mean.model = list(armaOrder = c(0,0)),
 distribution.model = "ged") # GED分布
garch_fit_ged <- ugarchfit(spec = garch_spec_ged, data = ret)

模型参数解读

GARCH (1,1) 模型的核心参数为：

\(\omega\) ：常数项（长期方差水平）；

\(\alpha_1\) ：ARCH 项系数（过去平方残差的影响）；

\(\beta_1\) ：GARCH 项系数（过去波动率的影响）；

若 \(\alpha_1 + \beta_1 < 1\) ，说明波动率平稳。

计算 VaR基于拟合模型预测条件波动率，并计算不同置信水平的 VaR：

# 提取条件标准差（在样内预测）
sigma_norm <- sigma(garch_fit_norm) # 正态分布GARCH的条件标准差

# 定义分位数函数（计算z_alpha）
quantile_fun <- function(conf_level, dist) {
 alpha <- 1 - conf_level
 if (dist == "norm") {
 return(qnorm(alpha)) # 正态分布分位数
 } else if (dist == "std") {
 nu <- coef(garch_fit_t)["shape"] # 学生t分布自由度
 return(qt(alpha, df = nu))
 } else if (dist == "ged") {
 nu <- coef(garch_fit_ged)["shape"] # GED分布形状参数
 return(qged(alpha, shape = nu))
 }
}

# 计算95%和99%置信水平的VaR（以正态分布为例）
conf_levels <- c(0.95, 0.99)
z_95 <- quantile_fun(0.95, "norm")
z_99 <- quantile_fun(0.99, "norm")

vaR_95_norm <- 0 + sigma_norm * z_95 # 假设条件均值为0
vaR_99_norm <- 0 + sigma_norm * z_99

# 整理结果（取绝对值，损失为正）
vaR_df <- data.frame(
 Date = index(ret),
 Return = as.numeric(ret),
 VaR_95 = abs(vaR_95_norm),
 VaR_99 = abs(vaR_99_norm)
)

结果可视化与回测

# 可视化收益率与VaR
ggplot(vaR_df, aes(x = Date)) +
 geom_line(aes(y = Return, color = "收益率"), alpha = 0.7) +
 geom_line(aes(y = VaR_95, color = "95% VaR"), linetype = "dashed") +
 geom_line(aes(y = VaR_99, color = "99% VaR"), linetype = "dashed") +
 labs(title = "TSLA收益率与GARCH模型VaR",
 y = "收益率/损失", x = "日期", color = "指标") +
 theme_minimal()

# 回测：计算失败率（实际损失超过VaR的比例）
fail_95 <- mean(vaR_df$Return < -vaR_df$VaR_95, na.rm = TRUE)
fail_99 <- mean(vaR_df$Return < -vaR_df$VaR_99, na.rm = TRUE)
cat("95% VaR失败率：", round(fail_95 * 100, 2), "%\n")

## 95% VaR失败率： 4.64 %

cat("99% VaR失败率：", round(fail_99 * 100, 2), "%\n")

## 99% VaR失败率： 1.59 %

不同模型的 VaR 对比

可对比 GARCH-t、GARCH-GED 与正态 GARCH 的 VaR 结果，通常非正态分布假设下的 VaR 更大，更保守：

# 计算GARCH-t的VaR（95%置信水平）
sigma_t <- sigma(garch_fit_t)
z_95_t <- quantile_fun(0.95, "std")
vaR_95_t <- abs(sigma_t * z_95_t)

四、结论

GARCH 模型通过捕捉波动率的动态变化，显著提升了 VaR 估计的准确性，尤其在市场波动剧烈时期（如 TSLA 股价大幅波动阶段）。

实证显示：TSLA 收益率存在明显的波动聚类特性，GARCH (1,1) 能有效拟合；基于 t 分布或 GED 分布的 GARCH 模型计算的 VaR 更能反映尾部风险，失败率更接近理论置信水平；实际应用中可根据资产特性选择模型变种（如 EGARCH 捕捉杠杆效应）或分布假设。

未来可结合滚动窗口预测或压力测试，进一步优化 VaR 的动态跟踪能力。

注：代码中rugarch包的ugarchspec和ugarchfit函数需注意模型收敛性，若不收敛可调整初始值或模型阶数；回测失败率若显著偏离理论值（如 95% 置信水平下失败率 > 7%），需重新调整模型。

GARCH on 格物堂