原文链接 http://tecdat.cn/?p=2623
原文出处：拓端数据部落公众号
最近我们被要求撰写关于Copula GARCH的研究报告，包括一些图形和统计输出。
和宏观经济数据不同，金融市场上多为高频数据，比如股票收益率序列。直观的来说 ，后者是比前者“波动”更多且随机波动的序列，在一元或多元的情况下，构建Copula函数模型和GARCH模型是最好的选择。
多元GARCH家族中，种类非常多，需要自己多推导理解，选择最优模型。本文使用R软件对3家上市公司近十年的每周收益率为例建立模型。
首先我们可以绘制这三个时间序列。
在这里使用多变量的ARMA-GARCH模型。
本文考虑了两种模型\
\
1 ARMA模型残差的多变量GARCH过程
2 ARMA-GARCH过程残差的多变量模型（基于Copula）\
1 ARMA-GARCH模型
> fit1 = garchFit（formula = ~arma（2,1）+ garch（1,1），data = dat [，1]，cond.dist =“std”）可视化波动
隐含的相关性
> emwa_series_cor = function（i = 1，j = 2）{+ if（（min（i，j）== 1）＆（max（i，j）== 2））{+ a = 1; B = 5; AB = 2}
+}
2 BEKK（1,1）模型：
BEKK11（dat_arma）
隐含的相关性
对单变量GARCH模型残差建模
第一步可能是考虑残差的静态（联合）分布。单变量边际分布是
而联合密度为
可视化 密度
查看相关性是否随着时间的推移而稳定。
斯皮尔曼相关性
肯德尔相关性
对相关性建模，考虑DCC模型
对数据进行预测
> fcst = dccforecast（dcc.fit，n.ahead = 200） \
我们已经完全掌握了多元GARCH模型的使用，接下来就可以放手去用R处理时间序列了！
最受欢迎的见解
1.R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
2.R语言基于ARMA-GARCH-VaR模型拟合和预测实证
6.matlab预测ARMA-GARCH 条件均值和方差模型
7.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
8.R语言： GARCH模型股票交易量的研究道琼斯股票市场指数
