原文链接：http://tecdat.cn/?p=3186
本文显示了如何基于潜在的ARMA-GARCH模型（当然也涉及更广泛意义上的QRM）来拟合和预测风险价值（VaR）。
从ARMA-GARCH过程模拟（log-return）数据
我们考虑使用t 分布的ARMA（1,1）-GARCH（1,1）过程。
模拟一个序列（用于说明目的）。
代码语言：javascript复制 nu <- 3 fixed.p <- list(mu = 0, # mu (截距)
ar1 = 0.5, # phi_1 (AR(1) 参数 of mu_t)
ma1 = 0.3, # theta_1 (MA(1) 参数 of mu_t)
omega = 4, # alpha_0 (截距)
alpha1 = 0.4, # alpha_1 (GARCH(1) 参数 of sigma_t^2)
beta1 = 0.2, # beta_1 (GARCH(1) 参数 of sigma_t^2)
shape = nu) # armaOrder <- c(1,1) # ARMA 参数garchOrder <- c(1,1) # GARCH 参数varModel <- list(model = "sGARCH", garchOrder = garchOrder)
spec <- ugarchspec(varModel, mean.model = list(armaOrder = armaOrder),
fixed.pars = fixed.p, distribution.model = "std") # t 标准残差作为一个完整性检查，让我们绘制模拟序列，条件标准偏差和残差。
代码语言：javascript复制plot(X, type = "l", xlab = "t", ylab = expression(X[t]))
plot(sig, type = "h", xlab = "t", ylab = expression(sigma[t]))
plot(eps, type = "l", xlab = "t", ylab = expression(epsilon[t]))
将ARMA-GARCH模型拟合到（模拟）数据
拟合ARMA-GARCH模型 。
让我们再考虑一些健全性检查。
代码语言：javascript复制## 拟合 ARMA(1,1)-GARCH(1,1) model
spec <- ugarchspec(varModel, mean.model = list(armaOrder = armaOrder),
distribution.model = "std") #
fit <- ugarchfit(spec, data = X) # fit
##
mu. <- fitted(fit) # 拟合 hat{mu}_t (= hat{X}_t)
sig. <- sigma(fit) # 拟合 hat{sigma}_t
##
stopifnot(all.equal(as.numeric(mu.), fit@fit$fitted.values),
all.equal(as.numeric(sig.), fit@fit$sigma))
计算VaR时间序列
计算VaR估计值。请注意，我们也可以在这里使用基于GPD的估算模型。
Backtest VaR估计值
让我们回测VaR的估计。
代码语言：javascript复制## [1] 10
## [1] 12
## [1] "Correct Exceedances"
## [1] "Fail to Reject H0"
## [1] "Correct Exceedances & Independent"
## [1] "Fail to Reject H0"基于拟合模型预测VaR
现在预测VaR。
模拟X_t的未来轨迹并计算相应的VaR
模拟序列，估计每个模拟路径的VaR（注意quantile()这里不能使用，因此我们必须手动构建VaR）并计算VaR _alpha的bootstrap置信区间。
结果对比
最后，我们显示所有结果。
非常感谢您阅读本文，有任何问题请在下面留言！
本文摘选《R语言基于ARMA-GARCH-VaR模型拟合和预测实证研究分析案例
