Forecasting mit ARMA-GARCH Modell

Methoden der Zeitreihenanalyse
Antworten
wintwin111
Beiträge: 15
Registriert: Mi Aug 16, 2017 3:45 pm

Forecasting mit ARMA-GARCH Modell

Beitrag von wintwin111 » Do Okt 26, 2017 7:39 am

Hallo,

Ich will eine Zeitreihe mithilfe eines ARMA(2,2)-GARCH(1,1) Modell vorhersagen, weiß aber nicht ob ich richtig vorgehe. Für das forecasting verwende ich das Package rugarch.
Nun zu meinem Vorgehen:

1. Specification des Modells wird erstellt

Code: Alles auswählen

library(rugarch)
a<-ugarchspec(mean.model=list(armaOrder = c(2, 2), include.mean = TRUE),variance.model=list(model = "sGARCH", garchOrder = c(1, 1)))
2. Modell wird gefittet

Code: Alles auswählen

b<-ugarchfit(a,closingkursu)
b

*---------------------------------*
*          GARCH Model Fit        *
*---------------------------------*

Conditional Variance Dynamics   
-----------------------------------
GARCH Model     : sGARCH(1,1)
Mean Model      : ARFIMA(2,0,2)
Distribution    : norm 

Optimal Parameters
------------------------------------
        Estimate  Std. Error     t value Pr(>|t|)
mu     24.000587    0.774693    30.98078  0.00000
ar1     1.795358    0.000456  3935.52535  0.00000
ar2    -0.795695    0.000360 -2209.54998  0.00000
ma1    -0.891342    0.026092   -34.16195  0.00000
ma2     0.008164    0.024712     0.33038  0.74111
omega   0.152248    0.020685     7.36027  0.00000
alpha1  0.229843    0.023339     9.84785  0.00000
beta1   0.729199    0.023038    31.65182  0.00000

Robust Standard Errors:
        Estimate  Std. Error     t value Pr(>|t|)
mu     24.000587    0.644742    37.22511 0.000000
ar1     1.795358    0.000731  2457.08180 0.000000
ar2    -0.795695    0.000471 -1688.06539 0.000000
ma1    -0.891342    0.035469   -25.13015 0.000000
ma2     0.008164    0.030579     0.26699 0.789474
omega   0.152248    0.040366     3.77167 0.000162
alpha1  0.229843    0.043373     5.29924 0.000000
beta1   0.729199    0.041930    17.39069 0.000000

LogLikelihood : -4427.411 

Information Criteria
------------------------------------
                   
Akaike       3.5230
Bayes        3.5415
Shibata      3.5229
Hannan-Quinn 3.5297

Weighted Ljung-Box Test on Standardized Residuals
------------------------------------
                         statistic p-value
Lag[1]                       0.106  0.7447
Lag[2*(p+q)+(p+q)-1][11]     1.613  1.0000
Lag[4*(p+q)+(p+q)-1][19]     5.506  0.9859
d.o.f=4
H0 : No serial correlation

Weighted Ljung-Box Test on Standardized Squared Residuals
------------------------------------
                        statistic p-value
Lag[1]                    0.01874  0.8911
Lag[2*(p+q)+(p+q)-1][5]   4.39754  0.2085
Lag[4*(p+q)+(p+q)-1][9]   6.38240  0.2566
d.o.f=2

Weighted ARCH LM Tests
------------------------------------
            Statistic Shape Scale P-Value
ARCH Lag[3]     1.227 0.500 2.000  0.2681
ARCH Lag[5]     2.548 1.440 1.667  0.3623
ARCH Lag[7]     3.489 2.315 1.543  0.4262

Nyblom stability test
------------------------------------
Joint Statistic:  2.1259
Individual Statistics:              
mu     0.01826
ar1    0.34435
ar2    0.33565
ma1    0.06717
ma2    0.02932
omega  0.44907
alpha1 0.79114
beta1  1.02909

Asymptotic Critical Values (10% 5% 1%)
Joint Statistic:         1.89 2.11 2.59
Individual Statistic:    0.35 0.47 0.75

Sign Bias Test
------------------------------------
                   t-value      prob sig
Sign Bias           3.3842 0.0007247 ***
Negative Sign Bias  0.5320 0.5947579    
Positive Sign Bias  0.3898 0.6967246    
Joint Effect       19.5500 0.0002104 ***


Adjusted Pearson Goodness-of-Fit Test:
------------------------------------
  group statistic p-value(g-1)
1    20     259.6    3.576e-44
2    30     286.2    4.244e-44
3    40     322.5    2.575e-46
4    50     348.2    1.040e-46


Elapsed time : 0.7555449 
closingkursu ist hierbei mein Datensatz, auf dessen Basis der forecast durchgeführt wird.

3. Forecasting (50 Perioden)

Code: Alles auswählen

c<-ugarchforecast(b,n.ahead=50)
Der Output des forecasts:

Code: Alles auswählen

*------------------------------------*
*       GARCH Model Forecast         *
*------------------------------------*
Model: sGARCH
Horizon: 50
Roll Steps: 0
Out of Sample: 0

0-roll forecast [T0=1976-11-23 01:00:00]:
     Series  Sigma
T+1   10.28 0.7802
T+2   10.30 0.8580
T+3   10.32 0.9264
T+4   10.34 0.9876
T+5   10.36 1.0429
T+6   10.38 1.0933
T+7   10.40 1.1396
T+8   10.43 1.1822
T+9   10.45 1.2217
T+10  10.47 1.2585
T+11  10.49 1.2927
T+12  10.51 1.3247
T+13  10.54 1.3547
T+14  10.56 1.3829
T+15  10.58 1.4094
T+16  10.60 1.4343
T+17  10.63 1.4578
T+18  10.65 1.4800
T+19  10.67 1.5010
T+20  10.69 1.5208
T+21  10.71 1.5396
T+22  10.74 1.5574
T+23  10.76 1.5743
T+24  10.78 1.5904
T+25  10.80 1.6056
T+26  10.82 1.6200
T+27  10.85 1.6338
T+28  10.87 1.6469
T+29  10.89 1.6593
T+30  10.91 1.6712
T+31  10.93 1.6825
T+32  10.95 1.6932
T+33  10.98 1.7035
T+34  11.00 1.7133
T+35  11.02 1.7226
T+36  11.04 1.7315
T+37  11.06 1.7400
T+38  11.08 1.7480
T+39  11.10 1.7558
T+40  11.13 1.7632
T+41  11.15 1.7702
T+42  11.17 1.7770
T+43  11.19 1.7834
T+44  11.21 1.7895
T+45  11.23 1.7954
T+46  11.25 1.8010
T+47  11.27 1.8064
T+48  11.30 1.8116
T+49  11.32 1.8165
T+50  11.34 1.8212
Nun fällt auf, dass der forecast stetig ansteigt, was aber eigentlich unwahrscheinlich sein sollte. Ich nehme an, dass die Methode den mean error term nimmt was ja 0 ist. Gibt es eine Möglichkeit, diesen nicht 0 zu setzen sondern eine wirkliche Zufallszahl zu nehmen?

Vielen Dank im Voraus und viele Grüße,

wintwin111

consuli
Beiträge: 161
Registriert: Mo Okt 10, 2016 8:18 pm

Re: Forecasting mit ARMA-GARCH Modell

Beitrag von consuli » Fr Okt 27, 2017 4:20 pm

Hast Du mal getestet, ob Deine Zeitreihe - genauer die Zielvariable Deiner Zeitreihe - stationär (trendfrei) ist?

Falls nicht, müsstest Du sie erst durch first differencing mit der R-Funktion diff() in eine stationäre Zeitreihe überführen.

Gruß, Consuli.
Erkennt Katalonien als souveränen Staat an. Denn kein Gesetz sollte Menschen zwingen zusammen zu leben, die das nicht wollen.

wintwin111
Beiträge: 15
Registriert: Mi Aug 16, 2017 3:45 pm

Re: Forecasting mit ARMA-GARCH Modell

Beitrag von wintwin111 » So Okt 29, 2017 1:00 pm

Ja meine Zeitreihe ist stationär.

consuli
Beiträge: 161
Registriert: Mo Okt 10, 2016 8:18 pm

Re: Forecasting mit ARMA-GARCH Modell

Beitrag von consuli » Mo Okt 30, 2017 8:26 pm

Wenn auch keine Unit-Root (=stochastische Instationarität) vorliegt (Überprüfung mit Dickey-Fuller-Test), dann weiß ich es nicht.
Erkennt Katalonien als souveränen Staat an. Denn kein Gesetz sollte Menschen zwingen zusammen zu leben, die das nicht wollen.

Antworten

Wer ist online?

Mitglieder in diesem Forum: 0 Mitglieder und 2 Gäste