Time Series Analysis with R: ARMA, ARIMA, ARCH, GARCH, VAR Models

Phân tích chuỗi thời gian với R:  Mô hình ARMA, ARIMA, ARCH, GARCH, VAR

  • OTexts: Forecasting: principles and practice

ARIMA models

Dynamic regression models

Vector autoregressions (VAR)



  • Analytics Vidhya

A Complete Tutorial on Time Series Modeling in R



  • Avril Coghlan: Using R for Time Series Analysis

ARIMA Models



  • Quintuitive

ARMA Models for Trading



  • Portfolio Probe

A practical introduction to garch modeling (+EGARCH)



  • I. Ozkan: ARCH-GARCH Example with R

ARCH-GARCH Example with BIST, Oil and TL/USD Series



  • Alexios Ghalanos 

Introduction to the rugarch package (ARFIMAX, GARCH, NGARCH, NAGARCH, IGARCH, EGARCH, GJR-GARCH, TGARCH, AVGARCH, APARCH, fGARCH, …)

The rmgarch models: Background and properties (Multivariate GARCH: DCC-GARCH, GO-GARCH, Copula-GARCH)



  • Bernhard Pfaff

VAR, SVAR and SVEC Models: Implementation Within R Package vars (+Cointegration)



  • QuantStart: Time Series Analysis
  1. Beginner’s Guide to Time Series Analysis
  2. Serial Correlation in Time Series Analysis
  3. White Noise and Random Walks in Time Series Analysis
  4. Autoregressive Moving Average ARMA(p, q) Models for Time Series Analysis – Part 1
  5. Autoregressive Moving Average ARMA(p, q) Models for Time Series Analysis – Part 2
  6. Autoregressive Moving Average ARMA(p, q) Models for Time Series Analysis – Part 3
  7. Autoregressive Integrated Moving Average ARIMA(p, d, q) Models for Time Series Analysis
  8. Generalised Autoregressive Conditional Heteroskedasticity GARCH(p, q) Models for Time Series Analysis
  9. ARIMA+GARCH Trading Strategy on the S&P500 Stock Market Index Using R
  10. State Space Models and the Kalman Filter
  11. Cointegrated Time Series Analysis for Mean Reversion Trading with R (Cointegration)

———–&&———-

(Generalized) Linear Models and Mixed Models with R

Mô hình hồi quy tuyến tính & Mô hình hỗn hợp (tổng quát hóa) với R

This is a decidedly conceptual introduction to the linear model framework and linear mixed effects models in R. It is intended to be very basic.

Tutorial 1

Tutorial 2



The purpose of these notes is to provide a quick introduction to R, particularly as a tool for fitting linear and generalized linear models.

1. Introduction

2. Getting Started

3. Reading and Examining Data

4. Linear Models

5. Generalized Linear Models

6. Conclusion



The goal of this course is to give you the skills to do the statistics that are in current
published papers, and make pretty figures to show off your results. While we will go over the mathematical concepts behind the statistics, this is NOT meant to be a classical statistics class. We will focus more on making the connection between the mathematical equation and the R code, and what types of variables fit into each slot of the equation.

Lesson 0 – Introduction and Set-up

Lesson 1 – R Basics

Lesson 2 – Linear Regression

Lesson 3 – Logistic Regression

Lesson 4 – Multiple Regression

Lesson 5 – Analysis of Variance (ANOVA)

Lesson 6, Part 1 – Linear Mixed Effects Models (Generalized linear mixed model)

Lesson 6, Part 2 – Linear Mixed Effects Models (Generalized linear mixed model)

———&&———

edx MOOC-Statistics and R: today – 20/9/2016; HarvardX.

edx MOOC-Statistics and R: today – 20/9/2016; HarvardX.

An introduction to basic statistical concepts and R programming skills necessary for analyzing data in the life sciences.

What you’ll learn

  • Random variables
  • Distributions
  • Inference: p-values and confidence intervals
  • Exploratory Data Analysis
  • Non-parametric statistics

Đăng kí (free): link

———-&&———-

Khám phá sự thú vị của phần mềm R trong định lượng rủi ro tín dụng

Khám phá sự thú vị của phần mềm R trong định lượng rủi ro tín dụng

 Lê Văn Tuấn

Đại học Thương mại

Tóm tắt. Bài viết trình bày tổng quan về các mô hình định lượng rủi ro tín dụng, trong đó đi sâu vào trình bày nền tảng toán học của các mô hình Merton, KMV và CreditMetrics. Bên cạnh đó, phần hướng dẫn thực hành trên phần mềm R để minh họa tính toán cho các mô hình này, cũng như để định giá quyền chọn, được cung cấp đầy đủ tới người đọc. Với mô hình CreditMetrics, chúng tôi sẽ minh họa việc thực hành tính toán cho giá trị VaR tín dụng (C-VaR) của danh mục. Với mô hình Merton, chúng tôi sẽ tính xác suất vỡ nợ PD ([1]) cho một số doanh nghiệp của VN với dữ liệu thực tế, từ đó sẽ minh họa phương pháp xếp hạng tín dụng doanh nghiệp. Kết quả cho thấy, để áp dụng được mô hình Merton trong thực tiễn VN, cần phải hiệu chỉnh mô hình này.

1. Mở đầu

Trong lĩnh vực quản trị rủi ro tại các ngân hàng, rủi ro tín dụng được xem là quan trọng nhất. Rủi ro tín dụng là loại rủi ro đầu tiên được đưa vào trong hiệp ước Basel I, tiếp tục là một trong ba loại rủi ro được quy định trong hiệp ước Basel II và III (bên cạnh rủi ro thị trường và rủi ro hoạt động). Các mô hình toán học đóng vai trò trong việc định lượng rủi ro tín dụng, giúp các ngân hàng tính toán được tài sản đã hiệu chỉnh rủi ro (được quy định ở trụ cột 1 – về vốn – trong Basel II, III) từ đó xác định được vốn bắt buộc, cũng như ước tính được vốn kinh tế. Với vai trò quan trọng như vậy, không có gì ngạc nhiên khi có một lượng lớn các sách, bài báo, báo cáo,… liên quan đến định lượng rủi ro tín dụng.

Bessis (2011) là cuốn tài liệu chuyên khảo, gắn liện với thực tế, về quản trị rủi ro trong ngân hàng (đã được dịch ra tiếng Việt); Crouhy (2001) cũng là cuốn tài liệu rất hữu ích trình bày về quản trị rủi ro trong ngân hàng với rất nhiều ví dụ minh họa (cuốn này được Robert C. Merton viết lời mở đầu); McNeil (2005, tái bản mới nhất năm 2015) là cuốn tài liệu kinh điển về quản trị rủi ro, tuy nhiên tài liệu này yêu cầu cao về nền tảng toán học . Trong tài liệu này, các tác giả đã trình bày lý thuyết để có thể nhúng các mô hình rủi ro tín dụng vào các mô hình thống nhất (dưới góc độ toán học).

Trong các mô hình rủi ro tín dụng, mô hình KMV, CreditMetrics, CreditRisk+ và CreditPortfolioView là các mô hình có bản quyền. Tuy nhiên, các tác giả (tổ chức) cũng công khai các tài liệu hướng dẫn các kỹ thuật xây dựng các mô hình [xem Crosbie (2002) và Sun (2012) cho mô hình KMV; Gupton (2007) cho CreditMetrics; Credit Suisse (1997) cho CreditRisk+; Wilson (1998) cho CreditPortfolioView]

Mô hình Merton là mô hình thiên về học thuật, có nhiều hướng mở rộng của mô hình Merton nhằm khắc phục các điểm yếu của nó. Trước hết là kỹ thuật cho phép xác định xác suất vỡ nợ khi giá trị tại sản của công ty rơi xuống mức ngưỡng nợ ở lần đầu tiên (thay vì chỉ xem xét tại thời điểm đáo hạn), những mô hình dạng này gọi là first-passage-time models. Hướng mở rộng tiếp theo (dựa trên giải tích ngẫu nhiên) đó là giả định lãi suất phi-vỡ nợ (default-free interest rate) là quá trình ngẫu nhiên hoặc xem (Vt) là quá trình khuếch tán (diffusion) với các bước nhảy. Một hướng mở rộng nữa là giả định mức chặn có yếu tố (kinh tế) ngoại sinh, giá trị nợ B được xác định dựa trên yếu tố ngoại sinh là chiến lược đầu tư của các cổ đông và không bị cố định từ trước. Hướng mở rộng (chính) cuối cùng là hướng nhúng mô hình Merton (các mô hình cấu trúc nói chung) vào trong mô hình dạng rút gọn, hướng này sẽ sử dụng giả thiết thông tin không đầy đủ về giá trị tài sản và nợ [xem các chỉ dẫn về tài liệu tham khảo trong McNeil (2005)].

Mô hình Merton nghiên cứu theo hướng thực nghiệm có những kết quả tiêu biểu như: Vassalou (2004) là nghiên cứu đầu tiên sử dụng mô hình này đánh giá ảnh hưởng của rủi ro vỡ nợ lên giá cổ phiếu. Trong Bharath (2004), các tác giả sử dụng mô hình Harard để kiểm định giả thiết: mô hình Merton có hiệu quả thống kê trong dự báo vỡ nợ; kết quả cho thấy giả thiết này bị bác bỏ. Trong Hillegeist (2004), kết quả kiểm định cho thấy, khả năng dự báo phá sản của mô hình Merton (được xếp vào market-based) là tốt hơn các mô hình Altman Z-score và Ohlson O-score (những mô hình dựa trên báo cáo tài chính, được xếp vào accounting-based).

Ở góc độ thực hành (trên phần mềm R), McNeil (2015) trình bày nhiều ví dụ cụ thể việc thực hành trên R để minh họa cho các mô hình rủi ro tín dụng (các ví dụ này có thể xem trên http://www.qrmtutorial.org/ – trang hỗ trợ phần thực hành trên R cho cuốn McNeil (2005)). Với mô hình CreditMetrics, Wittmann (2007) là tài liệu rất hữu ích khi thực hành ứng dụng với mô hình này.

Bài viết này gồm 6 phần:

  1. Mở đầu
  2. Phần mềm R
  3. Kiến thức cơ bản
  4. Các mô hình rủi ro tín dụng
  5. Thực hành ứng dụng trên R
  6. Kết luận

2. Phần mềm R

R là một phần mềm mã nguồn mở sử dụng cho phân tích thống kê và đồ thị, bạn có thể download miễn phí từ trang chủ r-project.org. Phần lớn các kỹ thuật phân tích trong kinh doanh đều được R hỗ trợ – từ thống kê đến học máy hay các kỹ thuật tối ưu hóa. Bằng chứng cho sức mạnh của R đó là những giải thưởng và sự tán dương từ những tạp chí hay cộng đồng uy tín trên thế giới như New York Times, Forbes, Intelligent, Enterprise, InfoWorld và The Register.

Các lí do chính nên sử dụng R trong học thuật cũng như thực tiễn là: Miễn phí (và mã nguồn mở); Phần mềm mạnh nhất trong các phần mềm miễn phí; Cạnh tranh (thậm chí vượt trội) so với các phần mềm thương mại; Đã sử dụng nhiều trong thực tiễn (industry); Chạy được trên nhiều hệ điều hành.

Xem Bảng so sánh sức mạnh trong thống kê của các phần mềm: R, MATLAB, SAS, STATA, SPSS: http://stanfordphd.com/Statistical_Software.html (EViews có lẽ thiên về kinh tế lượng nên không được đề cập tới)

Các thư viện (gói lệnh) của R sử dụng trong định lượng rủi ro tín dụng.

  • sde: Cung cấp các hàm cho phần thực hành của cuốn sách “Simulation and Inference for Stochastic Differential Equations”
  • fOptions: Định giá quyền chọn (với nhiều mô hình và nhiều loại quyền chọn)
  • CreditMetrics: Hỗ trợ mô hình CreditMetrics
  • CSFP và GCPM: Hỗ trợ mô hình CreditRisk+
  • qrmtools, QRM và qrmdata: Cung cấp các hàm và tập dữ liệu thực hiện phần thực hành cho cuốn sách kinh điển về quản trị rủi ro ”Quantitative Risk Management: Concepts, Techniques and Tools”

Download và cài đặt trên Windows (R có cả phiên bản trên Linux và (Mac) OS X)

  • Truy cập vào trang chủ: http://www.r-project.org/, click vào CRAN (dưới chữ Download ở cột bên trái), sẽ đến trang CRAN Mirrors, click vào một link (ví dụ của Thailand), click tiếp Download R for Windows, click tiếp install R for the first time, click tiếp Download R *.*.* for Windows  sẽ download được file R-*.*.*-win.exe (*.*.* chỉ  version tại thời điểm download).
  • Cài đặt như các phần mềm khác.

Cài đặt thư viện

  • Thư viện sde: Tại cửa sổ lệnh của R gõ: install.packages(“sde”)
  • Các thư viện khác cài tương tự

Sử dụng thư viện

  • Để sử dụng các hàm của thư viện sde (chẳng hạn), mỗi lần chạy R, tại cửa sổ lệnh gõ: library(sde)

Download bài viết đầy đủ: Kham pha su thu vi cua phan mem R trong dinh luong rui ro tin dung

Ghi chú “quan trọng”: Nội dụng chính của bài viết có được do tôi tổng hợp từ Tài liệu tham khảo, tôi “bịa” thêm rất ít (vì vậy nên độ tin tưởng là rất cao:) ) .

[1] Trong Hiệp ước Bassel II và III, để tính vốn bắt buộc cho rủi ro tín dụng: Nếu ngân hàng dùng phương pháp Standardized Approach (STA), sẽ không cần phải tính PD (chỉ cần dùng “mô hình” trung bình cộng có trọng số). Nếu dùng F-IRB, ngân hàng cần phải ước lượng PD, các tham số EAD, LGD sẽ được tính từ công thức của Basel. Nếu dùng A-IRB, ngân hàng được tự chủ (phải được duyệt và có kiểm soát) trong việc tính PD, EAD, LGD. Lưu ý rằng: Theo thứ tự: STA, F-IRB, A-IRB, nói chung, thì độ khó của phương pháp tăng dần, tuy nhiên lượng vốn bắt buộc được tính giảm dần (dẫn đến ngân hàng được quyền cho vay nhiều hơn).

Theo kế hoạch, từ tháng 2/2016, 10 ngân hàng do NHNN chỉ định sẽ chính thức bước vào thực hiện thí điểm phương pháp quản trị vốn và rủi ro theo tiêu chuẩn Basel II (BIDV, VietinBank, Vietcombank, Techcombank, ACB, VPBank, MB, Maritime Bank, Sacombank và VIB). NHNN cũng đã ra lộ trình đến năm 2018, cả 10 ngân hàng trên sẽ hoàn thành việc thí điểm, sau đó sẽ mở rộng áp dụng Basel II với các NHTM khác trong cả nước.


Xem thêm: Mức độ vỡ nợ của các ngân hàng Việt dưới góc nhìn định lượng

————-&&————–

Kinh Tế Lượng Ứng Dụng Với R

Kinh Tế Lượng Ứng Dụng Với R là cuốn tài liệu hướng dẫn sử dụng R cho học phần Kinh tế lượng của tác giả Nguyễn Chí Dũng.

Cuốn tài liệu được viết theo tiêu chí bám sát cuốn  Giáo Trình Kinh Tế Lượng (GS. TS. Nguyễn Quang Dong và PGS. TS. Nguyễn Thị Minh), nên rất dễ để tham khảo cơ sở lý thuyết cũng như thực hành trên R.

Hiện tại, cuốn tài liệu đang trong quá trình hoàn thiện, tuy nhiên, tác giả đã public một số chương đầu theo địa chỉ:

http://www.mediafire.com/download/3lg8bsfbu6csq8d/KinhTeLuongUngDungVoiR.rar

MỤC LỤC (hiện tại)

Chương 1: R với tư cách một công cụ nghiên cứu kinh tế lượng

Chương 2: Môi trường làm việc trong R

Chương 3: Các thống kê mô tả và graph trong R

Chương 4: Mô hình hồi quy tuyến tính hai biến số trong R

Chương 5: Hồi quy bội

Chương 6: Các mô hình hồi quy biến giả

Chương 7: Hiện tượng đa cộng tuyến

Chương 8: Phương sai sai số thay đổi

Chương 9: Lỗi định dạng mô hình

Chương 10: Các mô hình sử dụng dữ liệu mảng trong R

Chương 11: Mô hình Logit và Probit

Chương 12: Phân tích nhân tố khám phá EFA

PHỤ LỤC A: Cài đặt Rstudio và gia công hàm viết sẵn

PHỤ LỤC B: Text Data Mining

————&&————

Thư viện RQuantLib

Thư viện RQuantLib

RQuantLib là một package (của phần mềm R) cho phép R thực hiện các câu lệnh của thư viện tài chính định lượng QuantLib.

Các chức năng chính:

  • Định giá option. Hỗ trợ vanilla và exotic option: European và American option; Binary, Barrier và Asian option. Ngoài ra, implied volatility cũng được tính toán cho European và American option.
  • Fixed Income. Hỗ trợ: CallableBond; ConvertibleFixedCouponBond; ConvertibleFloatingCouponBond; ConvertibleZeroCouponBond; Enum; FittedBondCurveFixedRateBond; FixedRateBondCurve; FixedRateBondPriceByYield; FixedRateBondYield; FloatingRateBond; ZeroCouponBond; ZeroPriceByYield; ZeroYield.
  • Utilities. Xác định ngày giao dịnh (từ nhiều nước).

Trang chủ: http://dirk.eddelbuettel.com/code/rquantlib.html

——————-&&——————-

Enjoy the Joy of Christmas: With R

Noel

Câu lệnh R:

# Christmas tree

L <- matrix( c(0.03, 0, 0 , 0.1, 0.85, 0.00, 0.00, 0.85, 0.8, 0.00, 0.00, 0.8, 0.2, -0.08, 0.15, 0.22, -0.2, 0.08, 0.15, 0.22, 0.25, -0.1, 0.12, 0.25, -0.2, 0.1, 0.12, 0.2), nrow=4)

B <- matrix( c(0, 0, 0, 1.5, 0, 1.5, 0, 0.85, 0, 0.85, 0, 0.3, 0, 0.4), nrow=2)

prob = c(0.02, 0.6,.08, 0.07, 0.07, 0.07, 0.07)

# Iterate the discrete stochastic map
N = 1e5  #   number of iterations
x = matrix(NA,nrow=2,ncol=N)
x[,1] = c(0,2)   # initial point
k <- sample(1:7,N,prob,replace=TRUE) # values 1-7

for (i in 2:N) x[,i] = crossprod(matrix(L[,k[i]],nrow=2),x[,i-1]) + B[,k[i]] # iterate

par(bg=’darkblue’,mar=rep(0,4))

plot(x=x[1,],y=x[2,], col=grep(‘green’,colors(),value=TRUE), axes=FALSE, cex=.1, xlab=”, ylab=” )

bals <- sample(N,20)

points(x=x[1,bals],y=x[2,bals]-.1, col=c(‘red’,’blue’,’yellow’,’orange’), cex=2, pch=19 )

text(x=-.7,y=8, labels=’Merry’, adj=c(.5,.5), srt=45, vfont=c(‘script’,’plain’), cex=3, col=’gold’ )

text(x=0.7,y=8, labels=’Christmas’, adj=c(.5,.5), srt=-45, vfont=c(‘script’,’plain’), cex=3, col=’gold’ )

text(x=0,y=0, labels=’Viet Nam 2015′, adj=c(.5,.5), srt=0, vfont=c(‘script’,’plain’), cex=3, col=’red’ )

Nguồn: http://www.r-bloggers.com/merry-christmas-5/

——————-&&——————-

Theo dõi

Get every new post delivered to your Inbox.

Join 107 other followers