原文鏈接：http://tecdat.cn/?p=24162

原文出處：拓端數(shù)據(jù)部落公眾號

在這個例子中，我們考慮馬爾可夫轉(zhuǎn)換隨機(jī)波動率模型。

統(tǒng)計模型

設(shè) yt為因變量，xt 為 yt 未觀察到的對數(shù)波動率。對于 t≤tmax，隨機(jī)波動率模型定義如下

狀態(tài)變量 ct 遵循具有轉(zhuǎn)移概率的二狀態(tài)馬爾可夫過程

N(m,σ2)表示均值 m?和方差 σ2的正態(tài)分布。

BUGS語言統(tǒng)計模型

文件內(nèi)容?：

設(shè)置

設(shè)置隨機(jī)數(shù)生成器種子以實現(xiàn)可重復(fù)性

加載模型和數(shù)據(jù)

模型參數(shù)

解析編譯BUGS模型，以及樣本數(shù)據(jù)

繪制數(shù)據(jù)

對數(shù)收益率

序列蒙特卡羅Sequential Monte Carlo

運行

模型診斷

繪圖平滑 ESS

smC：SESS

繪制加權(quán)粒子

粒子（平滑）

匯總統(tǒng)計

繪圖濾波估計

濾波估計

繪圖平滑估計

平滑估計

邊緣濾波和平滑密度

邊緣后驗

粒子獨立 Metropolis-Hastings

運行

一些匯總統(tǒng)計

后驗均值和分位數(shù)

后驗均值和分位數(shù)

MCMC 樣本的蹤跡圖

跟蹤樣本

后驗直方圖

后邊緣直方圖

后驗的核密度估計

KDE 后驗邊緣估計

敏感性分析

我們想研究對參數(shù) α?值的敏感性

算法參數(shù)

運行靈敏度分析

繪制對數(shù)邊緣似然和懲罰對數(shù)邊緣似然

敏感性：對數(shù)似然

最受歡迎的見解

1.HAR-RV-J與遞歸神經(jīng)網(wǎng)絡(luò)（RNN）混合模型預(yù)測和交易大型股票指數(shù)的高頻波動率

2.WinBUGS對多元隨機(jī)波動率模型：貝葉斯估計與模型比較

3.波動率的實現(xiàn)：ARCH模型與HAR-RV模型

4.R語言ARMA-EGARCH模型、集成預(yù)測算法對SPX實際波動率進(jìn)行預(yù)測

5.使用R語言隨機(jī)波動模型SV處理時間序列中的隨機(jī)波動率

6.R語言多元COPULA GARCH 模型時間序列預(yù)測

7.R語言基于ARMA-GARCH過程的VAR擬合和預(yù)測

8.R語言隨機(jī)搜索變量選擇SSVS估計貝葉斯向量自回歸（BVAR）模型

9.R語言對S＆P500股票指數(shù)進(jìn)行ARIMA + GARCH交易策略