利用上证综指序列的后半部分样本数据分别对ML与MCMC方法的拟合误差进行度量股票交易时间跟着金融市集环球化的兴盛，金融产物逐步受到越来越众的体贴，而金融产物的危险襟怀成为投资者最闭注的题目

　　金融危险是指因为经济运动的不确定性、市集境遇的转变、决议的失误等身分的影响，导致现实回报与预期回报映现偏离的不妨性。

　　VaR通过设置编造领悟手法定量化领悟危险，可能评估杂乱的金融产物、反应危险的敏锐，正在合理的局限内规避危险，是量化市集危险卓有成效的东西。作品将补帮客户采用危险价钱VaR模子定量描画危险，推敲适合模子特征的求解手法，基于VaR模子对股价指数功夫序陈列办筑模领悟，科学评估危险的预期亏损，避免因为高估或低估危险而带来投资的决议失误，从而对订定战略、爱护市集巩固、监禁金融机构等方面供给了须要保障。

　　遵照股票价钱指数功夫序列数据举办筑模领悟，对金融市集的震撼举办明白与预测，较量分歧估算手法的合用水准。

　　以上海证券股价归纳指数行动总体推敲宗旨，抉择2015年1月至2020年1月的逐日收盘价序列行动样本数据集，共1220个价钱数据组成金融功夫序列，数据获取开头为上海证券来往所网站。

　　因为股票价钱的非负性，咱们采用取对数的手法收拾上证综指的收盘价Ct，然后举办一阶差分，获得收益率序列Yt，再举办刻画性领悟与磨练，企图公式如下：

　　正在本次实证领悟中，使用 MCMC算法，随机天生两条马尔科夫链，分辨对两条链举办抽样，以确保参数是从安定漫衍中举办揣摸。

　　使用贝叶斯MCMC 手法对 GARCH(1,1)模子举办未知参数揣摸。正在随机抽样进程中，分辨模仿了两条马尔科夫链。最先正在R中举办迭代3000次，行使方差比法判别收敛恶果，各个参数的方差比为，各个方差比均约为1，证实收敛境况精良。迭代轨迹图如图所示：

　　使用上证综指收益率序列的后半个人数据对正态漫衍下MCMC-GARCH(1，1)模子的参数揣摸结果如下：

　　使用上证综指序列的后半个人样本数据分辨对ML与MCMC手法的拟合差错举办襟怀，各目标的值如下：

　　从上外可能看出，基于贝叶斯框架下MCMC算法获得各项拟合差错襟怀目标要小于极大似然揣摸手法获得的差错襟怀目标，证实MCMC-GARCH模子拟合恶果要优于ML-GARCH模子获得的拟合结果，接下来对上证综指收益率轨范化残差的自相干图，可能从图看出，轨范化后的绝大个人残差序列值正在置信区间内，比照图可能判别，MCMC-GARCH模子将样本序列中的异方差音讯较完善的提取了出来，证实基于MCMC揣摸的GARCH模子恶果更优。

　　由上文所得，上证综指收益率序列后半个人数据的均值为0.005626654，是以得VaR模子为：

　　取上证综指收益率序列的后半个人数据对震撼率序陈列办预测，分辨用ML-GARCH和MCMC-GARCH企图VaR，正在95%的置信秤谌下获得如下值：

　　通过上外可知，基于ML-GARCH和MCMC-GARCH企图的VaR值有肯定的分别，基于MCMC-GARCH企图的VaR值更高、轨范差更低。

　　正在此对Ke Liu对本文所作的孝敬暗示诚挚感动，她卒业于中南财经政法大学经济统计学专业，擅长金融功夫序列数据领悟与预测等。

　　本文选自《R措辞MCMC-GARCH、危险价钱VaR模子股价震撼领悟上证指数功夫序列》。