Mô hình ngẫu nhiên
Nhóm
2023-06-22
Dữ liệu sử dụng trong nghiên cứu là chuỗi dữ liệu thời gian theo ngày của chỉ số đóng cửa thị trường chứng khoán các nước ASEAN-6: Việt Nam (VNI), Thái Lan (SET), Singapore (STI), Indonesia (JCI), Malaysia (KLCI), Philippines (PSE) và giá dầu (WTI). Dữ liệu nghiên cứu được thu thập trong khoảng thời gian từ 11/01/2018 đến 10/2/2023. Dữ dữ liệu chỉ số giá dầu và chỉ số thị trường chứng khoán các nước ASEAN-6 được thu thập từ trang www.investing.com.
library(PerformanceAnalytics)
library(readxl)
data <- read_excel("C:/Users/chaua/OneDrive - UFM/TLHT/Mô hình ngẫu nhiên/data.xlsx")
mydata <- data[,c(2:8)]
head(data,6)## # A tibble: 6 × 8
## Ngày WTI VNI JCI SGX PSE SET KLCI
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 43108 6.78 953. 6033. 7.43 205 1722. 1788.
## 2 43110 9.84 1013. 5945. 7.34 184. 1760. 1792.
## 3 43133 4.35 1105. 6629. 8.16 242. 1827. 1870.
## 4 43134 3.83 1121. 6582. 7.48 246 1812. 1856.
## 5 43135 4.16 1197. 6241. 7.34 238. 1782. 1858.
## 6 43136 6.74 1029. 6012. 7.7 220. 1791. 1852.Dùng lệnh res() để hiển thị hệ số tương quan giữa các cặp biến. Sau đó dùng round() để làm tròn đến chữ số thập phân thứ 2. Nếu muốn làm tròn đến chữ số thập phân thứ 3, ta có thể thay số 2 thành 3.
res <- cor(mydata)
round(res, 2)## WTI VNI JCI SGX PSE SET KLCI
## WTI 1.00 0.02 0.51 -0.39 0.17 0.67 0.35
## VNI 0.02 1.00 0.61 0.60 0.50 0.41 -0.06
## JCI 0.51 0.61 1.00 0.14 0.29 0.72 0.09
## SGX -0.39 0.60 0.14 1.00 -0.04 -0.27 -0.60
## PSE 0.17 0.50 0.29 -0.04 1.00 0.59 0.45
## SET 0.67 0.41 0.72 -0.27 0.59 1.00 0.64
## KLCI 0.35 -0.06 0.09 -0.60 0.45 0.64 1.00Nhìn vào kết quả, ta thấy mức độ tương quan giữa WTI và VNI là 0.02 > 0, vậy thì 2 biến này có mối quan hệ thuận, nếu biến WTI tăng thì VNI cũng tăng. Ngược lại ta thấy hệ số tương quan của cặp biến SGX và WTI là -0.39 < 0, thì cặp biến này có quan hệ tương quan nghịch. Tương tự cho các cặp biến còn lại.
Lệnh rcorr() trong package Hmisc tính giá trị p của ma trận hệ số tương quan như Pearson hoặc là Spearman. Kết quả trả về bao gồm ma trận hệ số tương quan và giá trị p Của mối tương quan của các cặp biến tỏng dữ liệu.
Nếu chúng ta chỉ muốn kết quả hiển thị hoặc là hệ số tương quan hoặc là p_value thì có thể làm như sau:
library(Hmisc)##
## Attaching package: 'Hmisc'## The following objects are masked from 'package:base':
##
## format.pval, unitsres2<-rcorr(as.matrix(data[,2:8]))
res2 ## WTI VNI JCI SGX PSE SET KLCI
## WTI 1.00 0.02 0.51 -0.39 0.17 0.67 0.35
## VNI 0.02 1.00 0.61 0.60 0.50 0.41 -0.06
## JCI 0.51 0.61 1.00 0.14 0.29 0.72 0.09
## SGX -0.39 0.60 0.14 1.00 -0.04 -0.27 -0.60
## PSE 0.17 0.50 0.29 -0.04 1.00 0.59 0.45
## SET 0.67 0.41 0.72 -0.27 0.59 1.00 0.64
## KLCI 0.35 -0.06 0.09 -0.60 0.45 0.64 1.00
##
## n= 1003
##
##
## P
## WTI VNI JCI SGX PSE SET KLCI
## WTI 0.4328 0.0000 0.0000 0.0000 0.0000 0.0000
## VNI 0.4328 0.0000 0.0000 0.0000 0.0000 0.0437
## JCI 0.0000 0.0000 0.0000 0.0000 0.0000 0.0067
## SGX 0.0000 0.0000 0.0000 0.1616 0.0000 0.0000
## PSE 0.0000 0.0000 0.0000 0.1616 0.0000 0.0000
## SET 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
## KLCI 0.0000 0.0437 0.0067 0.0000 0.0000 0.0000# Hệ số tương quan Pearson
res2$r## WTI VNI JCI SGX PSE SET
## WTI 1.00000000 0.02479711 0.50870020 -0.39443392 0.17330172 0.6655478
## VNI 0.02479711 1.00000000 0.60779089 0.59544532 0.49819697 0.4081486
## JCI 0.50870020 0.60779089 1.00000000 0.13805585 0.28525385 0.7210100
## SGX -0.39443392 0.59544532 0.13805585 1.00000000 -0.04423359 -0.2742388
## PSE 0.17330172 0.49819697 0.28525385 -0.04423359 1.00000000 0.5864140
## SET 0.66554784 0.40814859 0.72100997 -0.27423884 0.58641403 1.0000000
## KLCI 0.35320381 -0.06369054 0.08559485 -0.60065647 0.44699997 0.6376735
## KLCI
## WTI 0.35320381
## VNI -0.06369054
## JCI 0.08559485
## SGX -0.60065647
## PSE 0.44699997
## SET 0.63767353
## KLCI 1.00000000# Tính p_value
res2$P## WTI VNI JCI SGX PSE SET
## WTI NA 0.43276430 0.000000e+00 0.000000e+00 3.323182e-08 0
## VNI 4.327643e-01 NA 0.000000e+00 0.000000e+00 0.000000e+00 0
## JCI 0.000000e+00 0.00000000 NA 1.144886e-05 0.000000e+00 0
## SGX 0.000000e+00 0.00000000 1.144886e-05 NA 1.615661e-01 0
## PSE 3.323182e-08 0.00000000 0.000000e+00 1.615661e-01 NA 0
## SET 0.000000e+00 0.00000000 0.000000e+00 0.000000e+00 0.000000e+00 NA
## KLCI 0.000000e+00 0.04373486 6.679735e-03 0.000000e+00 0.000000e+00 0
## KLCI
## WTI 0.000000000
## VNI 0.043734860
## JCI 0.006679735
## SGX 0.000000000
## PSE 0.000000000
## SET 0.000000000
## KLCI NAPhần này cung cấp một hàm đơn giản để định dạng ma trận tương quan vào bảng với 4 cột chứa:
Cột 1 : tên hàng
Cột 2 : tên cột
Cột 3 : các hệ số tương quan
Cột 4 : các giá trị p của các tương quan
flattenCorrMatrix <- function(cormat, pmat) {
ut <- upper.tri(cormat)
data.frame(
row = rownames(cormat)[row(cormat)[ut]],
column = rownames(cormat)[col(cormat)[ut]],
cor =(cormat)[ut],
p = pmat[ut]
)
}
flattenCorrMatrix(res2$r, res2$P)## row column cor p
## 1 WTI VNI 0.02479711 4.327643e-01
## 2 WTI JCI 0.50870020 0.000000e+00
## 3 VNI JCI 0.60779089 0.000000e+00
## 4 WTI SGX -0.39443392 0.000000e+00
## 5 VNI SGX 0.59544532 0.000000e+00
## 6 JCI SGX 0.13805585 1.144886e-05
## 7 WTI PSE 0.17330172 3.323182e-08
## 8 VNI PSE 0.49819697 0.000000e+00
## 9 JCI PSE 0.28525385 0.000000e+00
## 10 SGX PSE -0.04423359 1.615661e-01
## 11 WTI SET 0.66554784 0.000000e+00
## 12 VNI SET 0.40814859 0.000000e+00
## 13 JCI SET 0.72100997 0.000000e+00
## 14 SGX SET -0.27423884 0.000000e+00
## 15 PSE SET 0.58641403 0.000000e+00
## 16 WTI KLCI 0.35320381 0.000000e+00
## 17 VNI KLCI -0.06369054 4.373486e-02
## 18 JCI KLCI 0.08559485 6.679735e-03
## 19 SGX KLCI -0.60065647 0.000000e+00
## 20 PSE KLCI 0.44699997 0.000000e+00
## 21 SET KLCI 0.63767353 0.000000e+00symnum(res, abbr.colnames = FALSE)## WTI VNI JCI SGX PSE SET KLCI
## WTI 1
## VNI 1
## JCI . , 1
## SGX . . 1
## PSE . 1
## SET , . , . 1
## KLCI . , . , 1
## attr(,"legend")
## [1] 0 ' ' 0.3 '.' 0.6 ',' 0.8 '+' 0.9 '*' 0.95 'B' 1Hàm symnum() là một trong hàm hiển thị ma trận tương quan trong phần mềm R. Nó thay thế cho các hệ số tương quan bằng các ký hiệu theo mức độ tương quan và lấy ma trận tương qaun làm đối số.
Trong đó:
res là ma trận tương quan muốn trực hóa
abbr.colnames là các giá trị logic. Nếu giá trị đúng thì các tên cột sẽ được viết tắt
library(corrplot)
corrplot(res, type = "upper", order = "hclust",
tl.col = "black", tl.srt = 45)
Biểu đồ tương quan (correlation plot) giúp chúng ta có thể sự tương quan của thị trường dầu và chứng khoán của 6 nước ASEAN-6. dựa vừa mô hình thì chúng ta thấy cả 2 thị trường này có sự tương quan chặt chẽ với nhau, nhìn chung thì hệ số hồi quy dương, thị trường dầu và chứng khoán tương quan mạnh ở các cặp SET - JCI, SET - WTI, SET - PSE, JCI - VNI, SGX - VNI, và tương quan yếu ở PSE - SGX, WTI - SGX, JCI - SGX, WTI - PSE
chart.Correlation(mydata, histogram=TRUE, pch=19)
Đường chéo trên biểu đồ thể hiện sự phân bố của từng biến
Ở dưới đường chéo là các ô đồ thị dạng scatter.
Ô ở dòng 2 cột 1 (2,1) biểu thị sự tương quan giữa biến WTI và VNI.
Ô (3,1) biểu thị sự tương quan giữa biến WTI và JCI.
Ô (3,2) biểu thị sự tương quan của cặp biến VNI và JCI.
Tương tự cho các ô còn lại.
Ở trên đường chéo là các hệ số tương quan và mức ý nghĩa thống kê (p_value) được thể hiện dưới dạng ngôi sao. Mỗi mức ý nghĩa sẽ được liên kết với 1 ký hiệu : *** nghĩa là giá trị từ 0 đến 0.001.
Ô (1,2) biểu thị mức độ tương quan của hai biến WTI và VNI là 0.025
Ô (3,5) biểu thị hệ số tương quan của hai biến JCI và PSE là 0.29 và mức ý nghĩa p nằm trong khoảng 0 đến 0.001
-Tương tự cho các cặp biến khác.
library(ggplot2)
library(ggcorrplot)
df <- dplyr::select_if(mydata, is.numeric)
r <- cor(df, use="complete.obs")
ggcorrplot(r)
Tương quan của tất cả thị trường trong giai đoạn Covid 19 và chiến tranh Nga – Ukraine. Có thể thấy tương quan giữa các thị trường trước COVID – 19 ở mức trung bình. Mối tương quan cao nhất trong giai đoạn này là giữa thị trường chứng khoán Malaysia và Thái Lan (0,510733). Mức tương quan giữa các thị trường có xu hướng giảm.
library(tseries)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoodata <- read_excel("C:/Users/chaua/OneDrive - UFM/TLHT/Mô hình ngẫu nhiên/data.xlsx")
Var1 <- data$VNI
result1 <- jarque.bera.test(Var1)
print(result1)##
## Jarque Bera Test
##
## data: Var1
## X-squared = 74.384, df = 2, p-value < 2.2e-16library(stats)
result2 <- Box.test(Var1, lag = 10, type = "Ljung-Box")
print(result2)##
## Box-Ljung test
##
## data: Var1
## X-squared = 576.76, df = 10, p-value < 2.2e-16test_statistic <- result2$statistic
p_value <- result2$p.value
cat("Test Statistic:", test_statistic, "\n")## Test Statistic: 576.7578cat("p-value:", p_value, "\n")## p-value: 0Tuần 7
Bước 1
library(rugarch)## Loading required package: parallel##
## Attaching package: 'rugarch'## The following object is masked from 'package:stats':
##
## sigmadata <- read_excel("C:/Users/chaua/OneDrive - UFM/TLHT/Mô hình ngẫu nhiên/data.xlsx")
VNts <- ts(data$VNI)
# Ước lượng mô hình GARCH(1,1) theo phân phối chuẩn
VNspec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(0, 0)))
VNfit <- ugarchfit(VNspec, VNts)
print(VNfit)##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(0,0,0)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu 1.0515e+03 8.163394 128.80173 0.000000
## omega 1.2788e+02 193.298951 0.66158 0.508244
## alpha1 4.6370e-02 0.009993 4.64013 0.000003
## beta1 9.5010e-01 0.010456 90.86779 0.000000
## gamma1 5.0680e-03 0.013774 0.36791 0.712938
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu 1.0515e+03 26.295202 39.98674 0.000000
## omega 1.2788e+02 248.320196 0.51499 0.606562
## alpha1 4.6370e-02 0.009982 4.64543 0.000003
## beta1 9.5010e-01 0.009419 100.87251 0.000000
## gamma1 5.0680e-03 0.011037 0.45914 0.646136
##
## LogLikelihood : -6697.912
##
## Information Criteria
## ------------------------------------
##
## Akaike 13.366
## Bayes 13.390
## Shibata 13.366
## Hannan-Quinn 13.375
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 54.21 1.805e-13
## Lag[2*(p+q)+(p+q)-1][2] 56.00 1.665e-15
## Lag[4*(p+q)+(p+q)-1][5] 125.98 0.000e+00
## d.o.f=0
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 5.642 1.754e-02
## Lag[2*(p+q)+(p+q)-1][5] 15.442 3.380e-04
## Lag[4*(p+q)+(p+q)-1][9] 21.427 8.581e-05
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 2.772 0.500 2.000 0.09591
## ARCH Lag[5] 3.778 1.440 1.667 0.19513
## ARCH Lag[7] 9.124 2.315 1.543 0.02928
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 17.1566
## Individual Statistics:
## mu 8.98336
## omega 0.33281
## alpha1 0.08117
## beta1 0.16826
## gamma1 0.13802
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 1.28 1.47 1.88
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 2.7824 0.005498 ***
## Negative Sign Bias 0.6546 0.512867
## Positive Sign Bias 2.9345 0.003417 ***
## Joint Effect 10.0765 0.017927 **
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 261.7 1.307e-44
## 2 30 283.0 1.836e-43
## 3 40 310.0 6.623e-44
## 4 50 331.6 1.292e-43
##
##
## Elapsed time : 0.6972082# Phân phối Student (std)
vnst.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "std")
vnst<- ugarchfit(vnst.spec,VNts)
print(vnst)##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : std
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu 1008.584236 40.923972 24.64532 0.000000
## ar1 0.473812 0.339855 1.39416 0.163269
## ar2 0.521571 0.339007 1.53852 0.123921
## ma1 -0.262014 0.279604 -0.93709 0.348711
## ma2 -0.614297 0.254162 -2.41695 0.015651
## omega 42.757431 42.247974 1.01206 0.311510
## alpha1 0.086994 0.019450 4.47270 0.000008
## beta1 0.925328 0.013354 69.29195 0.000000
## gamma1 -0.026644 0.028594 -0.93179 0.351445
## shape 12.356594 3.810561 3.24272 0.001184
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu 1008.584236 34.958369 28.85101 0.000000
## ar1 0.473812 1.047408 0.45237 0.651005
## ar2 0.521571 1.046687 0.49831 0.618268
## ma1 -0.262014 0.852573 -0.30732 0.758598
## ma2 -0.614297 0.784171 -0.78337 0.433409
## omega 42.757431 65.307551 0.65471 0.512655
## alpha1 0.086994 0.033487 2.59783 0.009381
## beta1 0.925328 0.016808 55.05205 0.000000
## gamma1 -0.026644 0.049539 -0.53783 0.590696
## shape 12.356594 6.379458 1.93694 0.052753
##
## LogLikelihood : -6516.035
##
## Information Criteria
## ------------------------------------
##
## Akaike 13.013
## Bayes 13.062
## Shibata 13.013
## Hannan-Quinn 13.032
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.6471 4.212e-01
## Lag[2*(p+q)+(p+q)-1][11] 20.2034 0.000e+00
## Lag[4*(p+q)+(p+q)-1][19] 30.0425 5.603e-09
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.070 0.3009
## Lag[2*(p+q)+(p+q)-1][5] 2.047 0.6074
## Lag[4*(p+q)+(p+q)-1][9] 7.481 0.1622
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.4888 0.500 2.000 0.48446
## ARCH Lag[5] 0.8167 1.440 1.667 0.78799
## ARCH Lag[7] 7.3750 2.315 1.543 0.07203
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 8.7664
## Individual Statistics:
## mu 0.04099
## ar1 0.46417
## ar2 0.30878
## ma1 3.37250
## ma2 1.87039
## omega 0.09129
## alpha1 0.37431
## beta1 0.45320
## gamma1 0.41241
## shape 0.91445
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.29 2.54 3.05
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.2328 0.8160
## Negative Sign Bias 1.0907 0.2757
## Positive Sign Bias 1.5291 0.1265
## Joint Effect 3.5280 0.3171
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 115.6 7.256e-16
## 2 30 130.6 7.445e-15
## 3 40 140.9 1.898e-13
## 4 50 154.8 6.731e-13
##
##
## Elapsed time : 5.298155# Phân phối Student đối xứng (sstd)
vnsst.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "sstd")
vnsst<- ugarchfit(vnsst.spec,VNts)
print(vnsst)##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : sstd
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu 1062.868563 30.481643 34.86914 0.000000
## ar1 0.450142 0.019544 23.03180 0.000000
## ar2 0.539138 0.019492 27.65968 0.000000
## ma1 -0.274112 0.017321 -15.82533 0.000000
## ma2 -0.594157 0.016194 -36.69001 0.000000
## omega 89.174028 70.024670 1.27347 0.202853
## alpha1 0.093174 0.023890 3.90011 0.000096
## beta1 0.922718 0.015842 58.24471 0.000000
## gamma1 -0.030258 0.030986 -0.97648 0.328829
## skew 1.459007 0.063475 22.98537 0.000000
## shape 7.223753 1.713434 4.21595 0.000025
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu 1062.868563 21.829481 48.68959 0.000000
## ar1 0.450142 0.005619 80.10447 0.000000
## ar2 0.539138 0.003595 149.97949 0.000000
## ma1 -0.274112 0.029215 -9.38258 0.000000
## ma2 -0.594157 0.018886 -31.45973 0.000000
## omega 89.174028 105.794737 0.84290 0.399286
## alpha1 0.093174 0.029577 3.15019 0.001632
## beta1 0.922718 0.017059 54.09037 0.000000
## gamma1 -0.030258 0.034839 -0.86851 0.385117
## skew 1.459007 0.081454 17.91206 0.000000
## shape 7.223753 2.907841 2.48423 0.012983
##
## LogLikelihood : -6480.562
##
## Information Criteria
## ------------------------------------
##
## Akaike 12.944
## Bayes 12.998
## Shibata 12.944
## Hannan-Quinn 12.965
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.00188 9.654e-01
## Lag[2*(p+q)+(p+q)-1][11] 23.51647 0.000e+00
## Lag[4*(p+q)+(p+q)-1][19] 33.70204 5.768e-11
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.8608 0.3535
## Lag[2*(p+q)+(p+q)-1][5] 2.9150 0.4228
## Lag[4*(p+q)+(p+q)-1][9] 8.3719 0.1089
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.9242 0.500 2.000 0.33638
## ARCH Lag[5] 1.5794 1.440 1.667 0.57168
## ARCH Lag[7] 7.7980 2.315 1.543 0.05817
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 8.6037
## Individual Statistics:
## mu 0.04452
## ar1 0.30059
## ar2 0.21649
## ma1 2.34399
## ma2 1.51178
## omega 0.06834
## alpha1 0.17009
## beta1 0.16484
## gamma1 0.18271
## skew 2.26651
## shape 0.54064
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.49 2.75 3.27
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 1.184 0.23669
## Negative Sign Bias 0.721 0.47111
## Positive Sign Bias 2.229 0.02601 **
## Joint Effect 5.640 0.13048
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 58.00 7.991e-06
## 2 30 80.14 1.105e-06
## 3 40 83.70 4.207e-05
## 4 50 111.11 1.008e-06
##
##
## Elapsed time : 18.58467# Phân phối Generalized Error Distribution(ged)
vnged.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "ged")
vnged <- ugarchfit(vnged.spec,VNts)
print(vnged)##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : ged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu 1002.362161 43.309298 23.14427 0.000000
## ar1 0.490972 0.064239 7.64289 0.000000
## ar2 0.504628 0.064019 7.88245 0.000000
## ma1 -0.267181 0.056852 -4.69959 0.000003
## ma2 -0.612536 0.051631 -11.86365 0.000000
## omega 111.484659 48.973254 2.27644 0.022820
## alpha1 0.087752 0.020167 4.35119 0.000014
## beta1 0.920590 0.014133 65.13873 0.000000
## gamma1 -0.018685 0.030280 -0.61709 0.537176
## shape 1.712774 0.130598 13.11481 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu 1002.362161 47.163628 21.25286 0.000000
## ar1 0.490972 0.039226 12.51666 0.000000
## ar2 0.504628 0.041750 12.08685 0.000000
## ma1 -0.267181 0.035137 -7.60392 0.000000
## ma2 -0.612536 0.034239 -17.88986 0.000000
## omega 111.484659 90.411776 1.23308 0.217547
## alpha1 0.087752 0.028110 3.12172 0.001798
## beta1 0.920590 0.017720 51.95323 0.000000
## gamma1 -0.018685 0.032825 -0.56924 0.569191
## shape 1.712774 0.253740 6.75010 0.000000
##
## LogLikelihood : -6522.049
##
## Information Criteria
## ------------------------------------
##
## Akaike 13.025
## Bayes 13.074
## Shibata 13.025
## Hannan-Quinn 13.044
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.927 1.651e-01
## Lag[2*(p+q)+(p+q)-1][11] 20.117 0.000e+00
## Lag[4*(p+q)+(p+q)-1][19] 30.243 4.385e-09
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.501 0.22053
## Lag[2*(p+q)+(p+q)-1][5] 4.500 0.19795
## Lag[4*(p+q)+(p+q)-1][9] 10.096 0.04786
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.7635 0.500 2.000 0.38224
## ARCH Lag[5] 2.0302 1.440 1.667 0.46460
## ARCH Lag[7] 8.1122 2.315 1.543 0.04954
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 8.7731
## Individual Statistics:
## mu 0.04881
## ar1 0.47744
## ar2 0.31291
## ma1 3.63411
## ma2 1.94256
## omega 0.04802
## alpha1 0.15727
## beta1 0.49126
## gamma1 0.32387
## shape 1.27830
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.29 2.54 3.05
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.3672 0.7135
## Negative Sign Bias 0.7591 0.4480
## Positive Sign Bias 1.3917 0.1643
## Joint Effect 2.5131 0.4729
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 108.8 1.323e-14
## 2 30 115.3 3.025e-12
## 3 40 130.0 1.035e-11
## 4 50 148.8 5.396e-12
##
##
## Elapsed time : 3.238974# Phân phối Generalized Error Distribution đối xứng ("sged")
vnsged.spec <- ugarchspec(variance.model = list(model = "gjrGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(2, 2), include.mean = TRUE), distribution.model = "sged")
vnsged <- ugarchfit(vnsged.spec,VNts)
print(vnsged)##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : gjrGARCH(1,1)
## Mean Model : ARFIMA(2,0,2)
## Distribution : sged
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## mu 1056.618112 28.346113 37.2756 0.000000
## ar1 0.483453 0.006557 73.7353 0.000000
## ar2 0.494958 0.006391 77.4428 0.000000
## ma1 -0.327051 0.019355 -16.8975 0.000000
## ma2 -0.537719 0.016398 -32.7921 0.000000
## omega 187.559395 77.345887 2.4249 0.015311
## alpha1 0.099859 0.013429 7.4362 0.000000
## beta1 0.918762 0.010053 91.3899 0.000000
## gamma1 -0.033359 0.019245 -1.7334 0.083018
## skew 1.509278 0.054210 27.8412 0.000000
## shape 1.165975 0.090351 12.9049 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## mu 1056.618112 47.737836 22.1338 0.000000
## ar1 0.483453 0.004539 106.5169 0.000000
## ar2 0.494958 0.004143 119.4810 0.000000
## ma1 -0.327051 0.025636 -12.7574 0.000000
## ma2 -0.537719 0.011916 -45.1262 0.000000
## omega 187.559395 145.396434 1.2900 0.197055
## alpha1 0.099859 0.010265 9.7277 0.000000
## beta1 0.918762 0.007234 127.0147 0.000000
## gamma1 -0.033359 0.012068 -2.7644 0.005704
## skew 1.509278 0.080204 18.8180 0.000000
## shape 1.165975 0.180441 6.4618 0.000000
##
## LogLikelihood : -6476.347
##
## Information Criteria
## ------------------------------------
##
## Akaike 12.936
## Bayes 12.990
## Shibata 12.936
## Hannan-Quinn 12.956
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.1979 6.564e-01
## Lag[2*(p+q)+(p+q)-1][11] 25.4648 0.000e+00
## Lag[4*(p+q)+(p+q)-1][19] 36.8230 1.003e-12
## d.o.f=4
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.144 0.70434
## Lag[2*(p+q)+(p+q)-1][5] 4.502 0.19778
## Lag[4*(p+q)+(p+q)-1][9] 10.073 0.04839
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 1.671 0.500 2.000 0.19608
## ARCH Lag[5] 3.166 1.440 1.667 0.26661
## ARCH Lag[7] 8.770 2.315 1.543 0.03526
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 9.7862
## Individual Statistics:
## mu 0.07939
## ar1 0.44657
## ar2 0.31978
## ma1 2.24638
## ma2 1.51758
## omega 0.06789
## alpha1 0.08952
## beta1 0.25788
## gamma1 0.11160
## skew 1.81608
## shape 0.33855
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 2.49 2.75 3.27
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 2.049 0.040706 **
## Negative Sign Bias 0.214 0.830614
## Positive Sign Bias 2.860 0.004322 ***
## Joint Effect 8.720 0.033262 **
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 48.55 2.139e-04
## 2 30 81.88 6.137e-07
## 3 40 105.47 4.945e-08
## 4 50 119.68 7.587e-08
##
##
## Elapsed time : 11.11238Bước 2
# Tạo danh sách bao gồm các phân phối và ước lượng
VNI_list <- list(VNfit,vnst,vnsst,vnged,vnsged)
# Tính toán các thông tin
vni_info_mat <- sapply(VNI_list, infocriteria)
print(vni_info_mat)## [,1] [,2] [,3] [,4] [,5]
## [1,] 13.36573 13.01303 12.94429 13.02502 12.93589
## [2,] 13.39021 13.06199 12.99815 13.07398 12.98974
## [3,] 13.36568 13.01283 12.94405 13.02483 12.93565
## [4,] 13.37503 13.03164 12.96476 13.04363 12.95635rownames(vni_info_mat)<-rownames(infocriteria(VNfit))
print(rownames(vni_info_mat))## [1] "Akaike" "Bayes" "Shibata" "Hannan-Quinn"