Академический Документы
Профессиональный Документы
Культура Документы
11 de Junio de 2015
Ejericio 8
###############################################
# Tarea Examen S.T
"Modelos univariados
#
# con Heteroscedasticidad Condicional"
#
# Medina Jim
enez Sonny Alberto
#
# Nava Rosales Eduardo
#
###############################################
library(datasets)
library("fitdistrplus")
#Separamos a las series de tiempo, renombramos con el c
odigo
del
ndice accionario y redefinimos como los logrendimientos
de la serie.
dax<-EuStockMarkets[,1]
dax<-diff(log(dax))
smi<-EuStockMarkets[,2]
smi<-diff(log(smi))
cac<-EuStockMarkets[,3]
cac<-diff(log(cac))
ftse<-EuStockMarkets[,4]
ftse<-diff(log(ftse))
plot(density(ftse), xlim=c(-.05,.05))
qqnorm(ftse)
qqline(ftse, col = 2)
#Gr
aficas de las series de logrendimientos
par(mfrow=c(2,2))
plot(dax)
plot(smi)
plot(cac)
plot(ftse)
par(mfrow=c(1,1))
#Gr
aficas de las funciones ACF y PACF de los rendimientos
de las series originales
par(mfrow=c(2,1))
acf(dax,main="DAX")
pacf(dax,main="DAX")
acf(smi,main="SMI")
pacf(smi,main="SMI")
acf(cac,main="CAC")
pacf(cac,main="CAC")
acf(ftse,main="FTSE")
pacf(ftse,main="FTSE")
#Gr
aficas de las funciones ACF y PACF de los rendimientos
de las series al cuadrado, en general se observan efectos
ARCH
acf(dax^2,main="DAX al cuadrado")
pacf(dax^2,main="DAX al cuadrado")# GARCH propuestos: (2,2)
acf(smi^2,main="SMI al cuadrado")
pacf(smi^2,main="SMI al cuadrado")#GARCH propuestos:(2,2)
acf(cac^2,main="CAC al cuadrado")
pacf(cac^2,main="CAC al cuadrado")#GARCH propuestos: (2,1)
acf(ftse^2,main="FTSE al cuadrado")
pacf(ftse^2,main="FTSE al cuadrado")
#GARCH PROPUESTOS
(1,3),(3,3),(10,3),(1,10),(1,11),(3,10),(3,11),(10,11)
summary(m2_smi)
m3_smi<-garchFit(~garch(1,1), data=smi, trace=F)#GARCH(1,1)**
summary(m3_smi)
m4_smi<-garchFit(~garch(2,1), data=smi, trace=F)#GARCH(2,1)
summary(m4_smi)
plot(m3_smi)
4
5
7
9
10
11
13
0
smiresid<-residuals(m3_smi, standardize=TRUE)
smi_WN<-fitdistr(daxresid,"t")
qqplot(qt(ppoints(1500), df = smi_WN$estimate[3]),smiresid)
qqline(smiresid, col = 2)#elegimos errores normales
##
#EL MODELO ELEGIDO ES UN GARCH(1,1) CON ERRORES NORMALES
summary(m3_cac)
m4_cac<-garchFit(~garch(3,1), data=cac, trace=F)#GARCH(3,1)
summary(m4_cac)
plot(m3_cac)
4
5
7
9
10
11
13
0
cacresid<-residuals(m3_cac, standardize=TRUE)
cac_WN<-fitdistr(cacresid,"t")
qqplot(qt(ppoints(1500), df = cac_WN$estimate[3]), cacresid)
qqline(cacresid, col = 2)
#elegimos errores t con 8 grados de libertad
##
#EL MODELO ELEGIDO ES UN GARCH(2,2) con errores t de Student
plot(m2_ftse)
4
5
7
9
10
11
13
0
ftseresid<-residuals(m2_ftse, standardize=TRUE)
ftse_WN<-fitdistr(cacresid,"t")
qqplot(qt(ppoints(1500), df = ftse_WN$estimate[3]), ftseresid)
qqline(ftseresid, col = 2)
#elegimos errores t con 8 grados de libertad
#EL MODELO ELEGIDO ES UN GARCH(2,1) con errores t de Student
Ejericio 9
library(foreign)
library(timeDate)
library(timeSeries)
library(fBasics)
library(MASS)
library(fGarch)
library(tseries)
library(astsa)
setwd("C:/Users/Eduardo/Documents/F.Ciencias/Series de Tiempo")
data<-read.csv("sandp500adj.csv",header=TRUE)
11
#Iniciamos con un an
alisis grafico de la serie
#Graficamos y vemos tendencia a la alza, lo cual es
com
un para una serie financiera
par(mfrow=c(1,1))
plot.ts(SyP, main="Precio S&P")
#Obtenemos los Log-rendimientos
lSyP<-as.ts(diff(log(SyP),lag=1))
#La nueva serie se comporta como un ruido blanco
plot(lSyP, main="Log-rendimientos S&P")