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：。后者要比前者“抖动”多了有漂移且随机波动的序列，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回报率为例建立模型。 

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：

>库（MTS）>    

贝克= 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

可视化系词密度 

查看相关性是否随着时间的推移而稳定。  

斯皮尔曼相关性

肯德尔的头相关性

对相关性建模，考虑DCC模型

对数据进行预测 

>图书馆（rmgarch）

> fcst = dccforecast（dcc.fit，n.ahead = 200）

 图（FCST）

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！

大数据部落 -中国专业的第三方数据服务提供商，提供定制化的一站式数据挖掘和

统计分析和数据挖掘咨询服务：y0.cn/teradat（咨询服务请联系官网客服）

QQ： 3025393450

【服务场景】 

科研项目;

公司项目外包;线上线下一对一培训;学术研究。

【大数据部落】提供定制化的一站式数据挖掘和统计分析咨询服务

分享最新的大数据资讯，每天学习一点数据分析，让我们一起做有态度的数据人

微信客服号：lico_9e

QQ交流群：186388004

加入欢迎的我们大数据学习必备利器课程

http://study.163.com/course/courseMain.htm?courseId=1003776041&share=2&shareId=1023497288