设为首页 加入收藏

TOP

向量自回归模型VS风险价值模型(VAR&VaR)(一)
2017-10-10 12:09:51 】 浏览:1559
Tags:向量 回归 模型 风险 价值 VAR&VaR

单从外观上看,VAR&VaR两个模型很容易混淆,但就模型方法和用处两者截然不同,R语言作为数据分析的有力工具,其函数包库中包含各种各样的统计模型。通过vars包可以调用向量自回归模型,通过PerformanceAnalytics包的VaR函数可以调用风险价值模型。

模型简介

  • library(vars)
    • 向量自回归模型(Vector Autoregression),简称VAR模型,是一种常用的计量经济模型,由克里斯托弗·西姆斯(Christopher Sims)提出。VAR模型是用模型中所有当期变量对所有变量的若干滞后变量进行回归。VAR模型用来估计联合内生变量的动态关系,而不带有任何事先约束条件。它是AR模型的推广,此模型目前已得到广泛应用。
  • library(PerformanceAnalytics)=>VaR()
    • 风险价值模型(Value at Risk),通常被称作VaR方法。VaR按字面的解释就是“处于风险状态的价值”,即在一定置信水平和一定持有期内,某一金融资产或其组合在未来资产价格波动下所面临的最大损失额。JP.Morgan定义为:VaR是在既定头寸被冲销(be neutraliged)或重估前可能发生的市场价值最大损失的估计值;而Jorion则把VaR定义为:“给定置信区间的一个持有期内的最坏的预期损失”。

向量自回归模型(Vector Autoregression)

VAR模型R语言实例:

library(vars)
library(astsa) #数据包
x = cbind(cmort, tempr, part)
plot.ts(x , main = "", xlab = "")

summary(VAR(x, p=1, type="both"))
## 
## VAR Estimation Results:
## ========================= 
## Endogenous variables: cmort, tempr, part 
## Deterministic variables: both 
## Sample size: 507 
## Log Likelihood: -5116.02 
## Roots of the characteristic polynomial:
## 0.8931 0.4953 0.1444
## Call:
## VAR(y = x, p = 1, type = "both")
## 
## 
## Estimation results for equation 
		    

cmort: ## ====================================== ## cmort = cmort.l1 + tempr.l1 + part.l1 + const + trend ## ## Estimate Std. Error t value Pr(>|t|) ## cmort.l1 0.464824 0.036729 12.656 < 2e-16 *** ## tempr.l1 -0.360888 0.032188 -11.212 < 2e-16 *** ## part.l1 0.099415 0.019178 5.184 3.16e-07 *** ## const 73.227292 4.834004 15.148 < 2e-16 *** ## trend -0.014459 0.001978 -7.308 1.07e-12 *** ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## ## Residual standard error: 5.583 on 502 degrees of freedom ## Multiple R-Squared: 0.6908, Adjusted R-squared: 0.6883 ## F-statistic: 280.3 on 4 and 502 DF, p-value: < 2.2e-16 ## ## ## Estimation results for equation tempr: ## ====================================== ## tempr = cmort.l1 + tempr.l1 + part.l1 + const + trend ## ## Estimate Std. Error t value Pr(>|t|) ## cmort.l1 -0.244046 0.042105 -5.796 1.20e-08 *** ## tempr.l1 0.486596 0.036899 13.187 < 2e-16 *** ## part.l1 -0.127661 0.021985 -5.807 1.13e-08 *** ## const 67.585598 5.541550 12.196 < 2e-16 *** ## trend -0.006912 0.002268 -3.048 0.00243 ** ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## ## Residual standard error: 6.4 on 502 degrees of freedom ## Multiple R-Squared: 0.5007, Adjusted R-squared: 0.4967 ## F-statistic: 125.9 on 4 and 502 DF, p-value: < 2.2e-16 ## ## ## Estimation results for equation part: ## ===================================== ## part = cmort.l1 + tempr.l1 + part.l1 + const + trend ## ## Estimate Std. Error t value Pr(>|t|) ## cmort.l1 -0.124775 0.079013 -1.579 0.115 ## tempr.l1 -0.476526 0.069245 -6.882 1.77e-11 *** ## part.l1 0.581308 0.041257 14.090 < 2e-16 *** ## const 67.463501 10.399163 6.487 2.10e-10 *** ## trend -0.004650 0.004256 -1.093 0.275 ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## ## Residual standard error: 12.01 on 502 degrees of freedom ## Multiple R-Squared: 0.3732, Adjusted R-squared: 0.3683 ## F-statistic: 74.74 on 4 and 502 DF, p-value: < 2.2e-16 ## ## ## ## Covariance matrix of residuals: ## cmort tempr part ## cmort 31.172 5.975 16.65 ## tempr 5.975 40.965 42.32 ## part 16.654 42.323 144.26 ## ## Correlation matrix of
编程开发网
首页 上一页 1 2 3 下一页 尾页 1/3/3
】【打印繁体】【投稿】【收藏】 【推荐】【举报】【评论】 【关闭】 【返回顶部
上一篇Docker安装RStudio 下一篇手机通话记录统计分析

评论

帐  号: 密码: (新用户注册)
验 证 码:
表  情:
内  容:

array(4) { ["type"]=> int(8) ["message"]=> string(24) "Undefined variable: jobs" ["file"]=> string(32) "/mnt/wp/cppentry/do/bencandy.php" ["line"]=> int(217) }