在这个例子中,我们考虑马尔可夫转换随机波动率模型。
统计模型
设 yt为因变量,xt 为 yt 未观察到的对数波动率。对于 t≤tmax,随机波动率模型定义如下
状态变量 ct 遵循具有转移概率的二状态马尔可夫过程
N(m,σ2)表示均值 m 和方差 σ2的正态分布。
BUGS语言统计模型
文件内容 'vol.bug'
:
dlfie = 'vol.bug' #BUGS模型文件名
设置
设置随机数生成器种子以实现可重复性
set.seed(0)
加载模型和数据
模型参数
- dt = lst(t_mx=t_mx, sa=sima,
- alha=alpa, phi=pi, pi=pi, c0=c0, x0=x0)
解析编译BUGS模型,以及样本数据
modl(mol_le, ata,sl_da=T)
绘制数据
plot(1:tmx, y, tpe='l',xx = 'n')
对数收益率
序列蒙特卡罗Sequential Monte Carlo
运行
- n= 5000 # 粒子的数量
- var= c('x') # 要监测的变量
- out = smc(moe, vra, n)
模型诊断
diagnosis(out)
绘图平滑 ESS
- plt(ess, tpe='l')
- lins(1:ta, ep(0,tmx))
SMC:SESS
绘制加权粒子
1. plt(1:tax, out,)
2. for (t in 1:_ax) {
3. vl = uiq(valest,])
4. wit = sply(vl, UN=(x) {
5. id = utm$$sles[t,] == x
6. rtrn(sm(wiht[t,ind]))
7. })
8. pints(va)
9. }
10. lies(1t_x, at$xue)
11.
粒子(平滑)
汇总统计
summary(out)
绘图滤波估计
1. men = mean
2. qan = quant
3.
4. x = c(1:tmx, _a:1)
5. y = c(fnt, ev(x__qat))
6. plot(x, y)
7. pln(x, y, col)
8. lines(1:tma,x_ean)
9.
滤波估计
绘图平滑估计
1.
2. plt(x,y, type='')
3.
4. polgon(x, y)
5. lins(1:tmx, mean)
6.
平滑估计
边缘滤波和平滑密度
1. denty(out)
2. indx = c(5, 10, 15)
3.
4. for (k in 1:legh) {
5. inex
6. plt(x)
7. pints(xtrue[k])
8. }
9.
边缘后验
粒子独立 Metropolis-Hastings
运行
mh = mit(mol, vre)
mh(bm, brn, prt) # 预烧迭代
mh(bh, ni, n_at, hn=tn) # 返回样本
一些汇总统计
smay(otmh, pro=c(.025, .975))
后验均值和分位数
- mean
- quant
- plot(x, y)
- polo(x, y, border=NA)
- lis(1:tax, mean)
后验均值和分位数
MCMC 样本的踪迹图
1.
2. for (k in 1:length {
3. tk = idx[k]
4. plot(out[tk,]
5. )
6. points(0, xtetk)
7. }
跟踪样本
后验直方图
1.
2. for (k in 1:lngh) {
3. k = inex[k]
4. hit(mh$x[t,])
5. poits(true[t])
6. }
后边缘直方图
后验的核密度估计
1. for (k in 1:lnth(ie)) {
2. idx[k]
3. desty(out[t,])
4. plt(eim)
5. poit(xtu[t])
6. }
KDE 后验边缘估计
敏感性分析
我们想研究对参数 α 值的敏感性
算法参数
- nr = 50 # 粒子的数量
- gd <- seq(-5,2,.2) # 一个成分的数值网格
- A = rep(grd, tes=leg) # 第一个成分的值
- B = rep(grd, eah=lnh) # 第二个成分的值
- vaue = ist('lph' = rid(A, B))
运行灵敏度分析
sny(oel,aaval, ar)
绘制对数边缘似然和惩罚对数边缘似然
- # 通过阈值处理避免标准化问题
- thr = -40
- z = atx(mx(thr, utike), row=enth(rd))
- plot(z, row=grd, col=grd,
- at=sq(thr))
敏感性:对数似然