从 BayesDCCgarch 中提取相关矩阵 R
Extraction of correlation matrix, R, from BayesDCCgarch
我目前正在试验 bayesDCCgarch
包,一直在寻找从模型估计中提取双变量条件相关性的方法。
函数的输出只提供方差、协方差矩阵H_t,它由H=DRD组成(其中 D_t 来自单变量 garch 模型的条件方差估计)。我正在寻找 R 矩阵
我查看了 github here 上的代码并在脚本中看到,bayesDccGarch.c
他们确实计算了相关矩阵 R (第 291 - 300 行)
// compute the R matrix
for(i = 0; i < k; i++){
hiit = omega[i];// /(1.0-beta[i]); // H_{ii,1}
MEs[i][0] = y[0][i]/sqrt(hiit);
for(t = 1; t < n; t++){
hiit = omega[i] + alpha[i]*y[t-1][i]*y[t-1][i] + beta[i]*hiit; // H_{ii,t}
MEs[i][t] = y[t][i]/sqrt(hiit); // Standard Errors
}
}
mcov(n, k, MEs, R); // compute the R matrix
任何帮助我如何绘制相关矩阵 R 而不是如下代码中每个系列的估计波动率:
library(bayesDccGarch)
data(DaxCacNik)
mY<-DaxCacNik[,1:2]
out = bayesDccGarch(mY, nSim=1000)
plotVol(mY, out$H[,c("H_1,1","H_2,2")], c("DAX","CAC40"))
我希望将相关结构与 rmgarch
库中的 dccfit
函数进行比较。
在与包的作者交谈后,提取相关性的正确答案确实是使用 H 矩阵以及 cov/sqrt(var)sqrt(var)
:
library(bayesDccGarch)
data(DaxCacNik)
mY<-DaxCacNik[,1:2]
out = bayesDccGarch(mY, nSim=10000)
R<-out$H[,("H_2,1")]/sqrt(out$H[,("H_1,1")]*out$H[,("H_2,2")])
我目前正在试验 bayesDCCgarch
包,一直在寻找从模型估计中提取双变量条件相关性的方法。
函数的输出只提供方差、协方差矩阵H_t,它由H=DRD组成(其中 D_t 来自单变量 garch 模型的条件方差估计)。我正在寻找 R 矩阵
我查看了 github here 上的代码并在脚本中看到,bayesDccGarch.c
他们确实计算了相关矩阵 R (第 291 - 300 行)
// compute the R matrix
for(i = 0; i < k; i++){
hiit = omega[i];// /(1.0-beta[i]); // H_{ii,1}
MEs[i][0] = y[0][i]/sqrt(hiit);
for(t = 1; t < n; t++){
hiit = omega[i] + alpha[i]*y[t-1][i]*y[t-1][i] + beta[i]*hiit; // H_{ii,t}
MEs[i][t] = y[t][i]/sqrt(hiit); // Standard Errors
}
}
mcov(n, k, MEs, R); // compute the R matrix
任何帮助我如何绘制相关矩阵 R 而不是如下代码中每个系列的估计波动率:
library(bayesDccGarch)
data(DaxCacNik)
mY<-DaxCacNik[,1:2]
out = bayesDccGarch(mY, nSim=1000)
plotVol(mY, out$H[,c("H_1,1","H_2,2")], c("DAX","CAC40"))
我希望将相关结构与 rmgarch
库中的 dccfit
函数进行比较。
在与包的作者交谈后,提取相关性的正确答案确实是使用 H 矩阵以及 cov/sqrt(var)sqrt(var)
:
library(bayesDccGarch)
data(DaxCacNik)
mY<-DaxCacNik[,1:2]
out = bayesDccGarch(mY, nSim=10000)
R<-out$H[,("H_2,1")]/sqrt(out$H[,("H_1,1")]*out$H[,("H_2,2")])