R 粗鲁模拟

Question

我想知道 rugarch 规范模型中每个参数的范围。例如分布误差 "nig" 和模型 "apARCH"。我想知道与 "nig" 分布相关的参数 "skew"、"shape" 以及模型的参数 "gamma" 和 "delta" 的范围是多少"apARCH"。这是我的代码示例：

varianceModel = list(model="apARCH", garchOrder=c(1,1))
meanModel = list(armaOrder=c(1,1))
distributionModel = "nig"
fixedPars = list(mu=0, ar1 = 0.1, ma1= 0.9, omega=0.001, alpha1=0.1, beta1=0.8, gamma1 = 0.01, delta = 2, shape=1.5, skew = 0.2)


spec <- ugarchspec(variance.model = varianceModel, 
                         mean.model= meanModel, distribution.model=distributionModel, 
                         fixed.pars=fixedPars)
path.sgarch <- ugarchpath(spec, n.sim=1000, n.start=1, m.sim=20)

现在对于每个参数，如何获得可能的范围或 "standard" 参数？

Answer 1

rugarch 的文档中似乎没有此类参数可能取值范围的列表，而 this introduction 仅提供了部分信息。

然而，这些可能值的范围是（至少应该是）标准，因为它们提供 well-defined 分布和固定模型。因此，您应该能够在其他一些来源中找到所有此类范围。

然而，关于发行版，rugarch中实际上有一个隐藏的源代码可供您使用---rugarch:::.DistributionBounds函数源代码。例如，它包含

if (distribution == "nig") {
    skew = 0.2
    skew.LB = -0.99
    skew.UB = 0.99
    shape = 0.4
    shape.LB = 0.01
    shape.UB = 25
}

表示 skew 的下限和上限分别为 -0.99 和 0.99。要更快地提取这些数字，您可以使用

rugarch:::.DistributionBounds("nig")[c("skew.LB", "skew.UB")]
# $skew.LB
# [1] -0.99
#
# $skew.UB
# [1] 0.99

关于方差模型，通常 "simple" 范围，例如 APARCH 的 -1 < gamma < 1，不是您想要的 available/what，因为它们只允许模型存在，但不保证平稳性。例如，要使 GARCH(1,1) 平稳，我们需要 alpha + beta < 1；因此，我们实际上有比区间更高的维度约束。正如我所说，您可以在网上找到这些。

然而，ugarchpath 也通过计算 persistence(spec) 来检查这些条件。现在，正如您在

中看到的

getMethod("persistence", signature(object = "uGARCHspec", pars = "missing", 
                                   distribution = "missing", model = "missing", 
                                   submodel="missing"))

有不同的方法来计算每个规范的持久性。例如，对于 APARCH，我们查看

rugarch:::.persistaparch1
# function (pars, idx, distribution = "norm") 
# {
#     alpha = pars[idx["alpha", 1]:idx["alpha", 2]]
#     beta = pars[idx["beta", 1]:idx["beta", 2]]
#     gamma = pars[idx["gamma", 1]:idx["gamma", 2]]
#     delta = pars[idx["delta", 1]:idx["delta", 2]]
#     skew = pars[idx["skew", 1]:idx["skew", 2]]
#     shape = pars[idx["shape", 1]:idx["shape", 2]]
#     ghlambda = pars[idx["ghlambda", 1]:idx["ghlambda", 2]]
#     ps = sum(beta) + sum(apply(cbind(gamma, alpha), 1, FUN = function(x) x[2] * 
#         aparchKappa(x[1], delta, ghlambda, shape, skew, distribution)))
#     return(ps)
# }

条件是ps < 1。请注意

rugarch:::.persistsgarch1
# function (pars, idx, distribution = "norm") 
# {
#     ps = sum(pars[idx["alpha", 1]:idx["alpha", 2]]) + sum(pars[idx["beta", 
#         1]:idx["beta", 2]])
#     return(ps)
# }

在 GARCH(1,1) 的情况下准确给出 alpha + beta，然后 ugarchpath 检查上述平稳性条件。因此，您可以做的最直接的事情是在模拟之前检查是否 persistence(spec) < 1 。例如，在您的示例中，

persistence(spec)
# [1] 0.8997927

R 粗鲁模拟

R rugarch simulation

simulation

statistics

r