本文构建的基于DCC―GARCH的外汇储备结构动态调整模型,包括三项改进:采用动态条件自相关多元GARCH模型度量风险、引入利率平价反映可比货币收益率及将黄金视为外汇储备替代资产纳入到统一分析框架中。实证表明,最优外汇资产组合时变特征并不明显,中国完全可以在不引起国际金融市场大幅震荡的情况下有条不紊地调整资产结构。研究还发现,过去可能存在着高估欧元地位的现象;次贷危机发生后美元权重没有明显下降,这一反常结果说明国际储备体系需要根本性改革。此外,寻找低点适当增持黄金,对改善中国储备资产结构是十分有必要“补修
2023-01-11 10:12:15
679KB
1
DCC-GARCH模型
Dynamic Conditional Correlation - GARCH
该文件所包含以下几个小文档
1.DCC-GARCH理论讲解和stata操作教程和结果解读等教程
2.视频中的do文档以及所用数据
3.第二份数据
4.stata17解压包
目前鱼同学未看到全网由特别权威的大牛和书籍提供具体的步骤，该模型的视频教程仅根据鱼同学理解进行创作，请谨慎利用和学习。在该视频中操作了DCC-MGARCH模型的操作过程、动态相关系数以及动态相关系数图。同时，也论述了CCC、DCC以及VCC之间的差别。
在文件中，鱼同学为大家提供了两份数据集以供测试。
2022-11-04 22:46:32
3KB
1
管理
mgarch 是一个 Python 包，用于预测金融市场每日收益的波动性。
DCC-GARCH(1,1) 用于多元正态分布和学生 t 分布。
用例：
对于多元正态分布
# shape(rt) = (t, n) numpy matrix with t days of observation and n number of assets
import mgarch
vol = mgarch . mgarch ()
vol . fit ( rt )
ndays = 10 # volatility of nth day
cov_nextday = vol . predict ( ndays )
对于多元学生 t 分布
# shape(rt) = (t, n) numpy matrix with t days of observation and n number of assets
2021-11-17 16:22:02
5KB
1