用R语言在AR-GARCH模型中应用自定义扰动项分布
许多金融建模者利用AR-GARCH模型捕捉股票收益率的波动性。然而，标准GARCH模型包通常仅支持高斯、学生t和广义误差分布等有限的扰动项分布。当实际数据偏离这些标准分布时，就需要自定义扰动项的概率密度函数。
本文探讨如何将自定义分布整合到AR-GARCH模型的估计中。虽然像rugarch包允许指定distribution.model（例如'ged'），但它不支持自定义分布。 直接修改包代码难度大且易出错。更有效的方法是利用现有包的估计框架并结合数值优化。
步骤如下：
-
定义概率密度函数(PDF)和累积分布函数(CDF): 根据提供的公式（见上图），编写R函数计算自定义分布的PDF和CDF。这些函数是数值优化的核心。
-
最大似然估计(MLE): AR-GARCH模型参数通常通过最大似然估计(MLE)获得。由于使用了自定义分布，似然函数将包含自定义的PDF。需要编写一个R函数计算给定参数下的对数似然函数值。
-
数值优化: 使用R语言的
optim()函数最大化对数似然函数。optim()需要对数似然函数和初始参数猜测值。优化算法迭代调整参数，直到找到最大化似然函数的参数组合。 -
参数估计结果:
optim()返回最大似然估计的参数值和其他相关信息。
关键考虑因素：
- 数值优化算法和初始值的选择: 合适的算法和初始值对获得可靠的估计结果至关重要。
- 自定义分布的复杂性: 过于复杂的分布可能降低优化效率和稳定性，可能需要更高级的数值优化技术。
通过以上步骤，可以将自定义扰动项分布应用于AR-GARCH模型，并获得模型参数的估计。 这需要一定的数值计算和优化算法知识。
