原文链接：http://tecdat.cn/?p=26897
风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量，也被投资组合经理等从业者用来解释未来市场风险（点击文末“阅读原文”获取完整代码数据）。
风险价值 (VaR)
VaR 可以定义为资产在给定时间段内以概率 θ 超过的市场价值损失。对于收益率 rt 的时间序列，VaRt将是这样的
相关视频
其中 It-1表示时间 t-1 的信息集。
尽管 VaR 在提供资产组合下行风险的简单总结时具有吸引人的简单性，但没有单一的计算方法。
1% 风险价值
将价格转换为收益
library(ggplot2)
# 计算收益率的正态密度# 价格与收益的关系bp2 = Close
# 转换收益率bret = dailyReturn
# 改变列名
colnames(data_rd) = c("x", "y")
# 正态分位数
vr1 = quantileggplot(data, aes(x = x, y = y))
图 ：1% VaR
点击标题查阅往期内容
R语言基于ARMA-GARCH-VaR模型拟合和预测实证研究分析案例
左右滑动查看更多
01
02
03
04
在分布术语中，对于分布 F，VaR 可以定义为它的第 p 个分位数，由下式给出
其中 F−1是分布函数的倒数，也称为分位数函数。因此，一旦可以定义收益序列的分布，VaR 就很容易计算。
使用 GARCH 进行波动率建模和预测
广义自回归条件异方差 (GARCH) 模型 ，用于预测条件波动率的最流行的时间序列模型。这些模型是条件异方差的，因为它们考虑了时间序列中的条件方差。GARCH 模型是在金融风险建模和管理中用于预测 VaR 和条件 VaR 等金融风险度量的最广泛使用的模型之一。GARCH 模型是 ARCH 模型的广义版本。具有旨在捕获波动率聚类的 p 滞后项的标准 ARCH(p) 过程可以编写如下
其中，第 t 天的收益为 Yt=σtZt和 Zt∼iid(0,1)，即收益的创新是由随机冲击驱动的
GARCH(p,q) 模型在 ARCH(p) 模型中包含滞后波动率，以纳入历史收益的影响
GARCH(1,1) 每个阶数只使用一个滞后，是实证研究和分析中最常用的版本。
GARCH(1,1) 预测 VaR
其中最通用和最有能力的一种是 rugarch 包。在这里，我们使用数据集来演示使用 rugarch 包中可用的函数和方法对 GARCH 进行建模。
具有恒定均值方程的 GARCH(1,1) 模型 可以指定如下：
ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1,1)), mean.model = list(armaOrder = c(0, 0)))上面存储的规范
garch_spec现在可用于将 GARCH(1,1) 模型拟合到我们的数据。以下代码使用该函数将 GARCH(1,1) 模型拟合到 BHP 对数收益并显示结果。
使用对象类可用的各种方法获得选定的拟合统计量
par1 = par() #保存图形参数# 标准化残差
plot(figarch, which = 10)
# 2. 条件SD
plot(fiarch, which = 3)
图 ：GARCH(1,1) 的两个信息图
使用样本外的 VaR 预测
让我们使用 Student-t 分布，因为收益并不总是遵循正态分布
# 学生-T分布的spec2
spc2 = ugarchspecrugarch 包对于估计移动窗口模型和预测 VaR 具有非常有用的功能。
garchroll(spec2, data = bpret我们可以使用以下例程绘制 1% 和 5% VaR 预测与实际收益的对比。
# 注意绘图方法提供了四张图，其中VaR为选项-4
# 预测1%的学生-t GARCH风险值
plot(v.t, which = 4, VRaha = 0.01)
# 5%学生-t GARCH风险值
plot(var.t, which = 4, Vaalha = 0.05)
图：实际收益率与 1% VaR 预测
最后获得回测
# VaR预测的回测report(va., VaRha = 0.05) #α的默认值是0.01
点击文末“阅读原文”
获取全文完整资料。
本文选自《R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列》。
点击标题查阅往期内容
R语言使用多元AR-GARCH模型衡量市场风险
R语言GARCH模型对股市sp500收益率bootstrap、滚动估计预测VaR、拟合诊断和蒙特卡罗模拟可视化
R语言单变量和多变量（多元）动态条件相关系数DCC-GARCH模型分析股票收益率金融时间序列数据波动率
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
GARCH-DCC模型和DCC（MVT）建模估计
R语言预测期货波动率的实现：ARCH与HAR-RV与GARCH，ARFIMA模型比较
ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列
PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化
极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析
Garch波动率预测的区制转移交易策略
金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据
R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化
Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测
R语言极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析
Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
R语言时间序列GARCH模型分析股市波动率
R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模
R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析
R语言多元Copula GARCH 模型时间序列预测
R语言使用多元AR-GARCH模型衡量市场风险
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言用Garch模型和回归模型对股票价格分析
GARCH（1,1），MA以及历史模拟法的VaR比较
matlab估计arma garch 条件均值和方差模型
