马尔可夫转换MSVAR模型预测资产收益率时间序列可视化分析|附数据代码

原文链接：https://tecdat.cn/?p=36166

在现代金融市场中，资产收益率序列的预测一直是投资者和金融机构关注的焦点（点击文末“阅读原文”获取完整代码数据）。

相关视频

资产收益率的波动不仅反映了市场的风险水平，也直接影响到投资组合的表现和风险管理策略的制定。然而，金融市场的复杂性和不确定性使得资产收益率的预测变得极具挑战性。

为了应对这一挑战，研究者们不断探索各种先进的预测模型和方法。其中，马尔可夫转换模型（Markov Switching Model，简称MS模型）作为一种能够捕捉不同市场状态下资产收益率序列动态特性的模型，近年来在金融领域得到了广泛的应用。特别是当结合向量自回归（Vector Autoregression，简称VAR）模型时，形成的马尔可夫转换VAR模型（Markov Switching VAR，简称MSVAR）能够更准确地模拟和预测资产收益率序列的变化。

本文旨在利用R语言MSVAR模型帮助客户对资产收益率序列进行预测，并结合可视化分析手段，直观地展示模型的预测效果和不同市场状态下的动态特性。通过对增长型股票、价值型股票、长期债券和国库券等不同类型的资产收益率序列进行分析，我们可以更深入地理解市场运行的规律，为投资者提供有价值的参考和决策支持。

资产收益率序列 y 包含（增长型股票、价值型股票、长期债券和国库券），它表示增长型股票、价值型股票、长期债券和国库券的超额收益。

head(data)

如上表所示，数据包含了从 1954 年 1 月到 1954 年 6 月的资产收益率序列。具体来说，y 包含了以下资产的超额收益：

• 增长型股票

• 价值型股票

• 长期债券

• 国库券

此外，数据还包含了以下状态变量：

• dp：收益率利差

• yield：收益率

• inrate：贴现率

这些变量将用于预测资产收益率序列 y 的可预测性。

使用脉冲响应函数分析 y

为了分析 y 的动态行为，我们估计了一个包含 4 个变量（增长型股票、价值型股票、长期债券和国库券）的 VAR 模型。脉冲响应函数显示了对 y 中一个变量的冲击对其他变量的影响。

VARmodel=VAR(y , type="both")

给定的 VAR(1) 模型估计结果表明：

• **增长型股票收益率（gret）**对自身具有正向影响，对价值型股票收益率（vret）具有负向影响。

• **价值型股票收益率（vret）**对自身具有正向影响，对长期债券收益率（bond）具有正向影响。

• **长期债券收益率（bond）**对自身具有正向影响，对国库券收益率（tbill）具有正向影响。

• **国库券收益率（tbill）**对自身具有正向影响，对增长型股票收益率（gret）具有负向影响。

这些估计结果表明，增长型股票收益率、价值型股票收益率、长期债券收益率和国库券收益率之间存在复杂的动态关系。这些关系可以用于预测资产收益率序列的未来值。

残差图

---

点击标题查阅往期内容

PYTHON用时变马尔可夫区制转换（MARKOV REGIME SWITCHING）自回归模型分析经济时间序列

左右滑动查看更多

01

02

03

04

具有可预测性（x 和 y）的 VAR(1) 模型

参数估计

VAR(1) 模型的参数估计如下：

给定的 VAR(1) 模型估计结果表明：

• **收益率利差（dp）**对增长型股票收益率（gret）、价值型股票收益率（vret）、长期债券收益率（bond）和国库券收益率（tbill）具有负向影响。

• **收益率（yield）**对增长型股票收益率（gret）具有负向影响，对长期债券收益率（bond）和国库券收益率（tbill）具有负向影响。

• **贴现率（inrate）**对长期债券收益率（bond）具有负向影响，对国库券收益率（tbill）具有负向影响。

• **增长型股票收益率（gret）**对长期债券收益率（bond）和国库券收益率（tbill）具有正向影响。

• **价值型股票收益率（vret）**对长期债券收益率（bond）具有正向影响。

• **长期债券收益率（bond）**对国库券收益率（tbill）具有正向影响。

• **国库券收益率（tbill）**对收益率（yield）和贴现率（inrate）具有正向影响。

这些估计结果表明，收益率利差、收益率、贴现率、增长型股票收益率、价值型股票收益率、长期债券收益率和国库券收益率之间存在复杂的动态关系。这些关系可以用于预测资产收益率序列的未来值。

残差估计

带有状态切换的VAR(1)模型

msm(olsLS, k = 2

给定的马尔可夫转换 VAR(1) 模型估计结果表明：

状态 1

• **收益率利差（dp）**对自身具有正向影响。

• **收益率（yield）**对自身具有负向影响。

• **贴现率（inrate）**对自身具有正向影响。

• **增长型股票收益率（gret）**对自身具有负向影响。

• **长期债券收益率（bond）**对国库券收益率（tbill）具有正向影响。

• **国库券收益率（tbill）**对自身具有正向影响。

状态 2

• **收益率利差（dp）**对自身具有正向影响。

• **收益率（yield）**对自身具有负向影响。

• **贴现率（inrate）**对自身具有负向影响。

• **增长型股票收益率（gret）**对自身具有正向影响。

• **长期债券收益率（bond）**对国库券收益率（tbill）具有正向影响。

• **国库券收益率（tbill）**对自身具有正向影响。

状态转换概率

• 状态 1 到状态 1 的转换概率为 0.826。

• 状态 1 到状态 2 的转换概率为 0.174。

• 状态 2 到状态 1 的转换概率为 0.174。

• 状态 2 到状态 2 的转换概率为 0.831。

这些估计结果表明，收益率利差、收益率、贴现率、增长型股票收益率、价值型股票收益率、长期债券收益率和国库券收益率之间的动态关系存在两种不同的状态。这些状态之间的转换概率表明，模型预测的资产收益率序列的未来值可能会出现突然的变化。

Bao Liao

拓端分析师

具有单一状态变量（收益率利差和收益率利差分别）（两/三/四种状态）的可预测性且具有状态转换的 VAR(1) 模型

给定的具有单一状态变量（收益率利差和收益率利差分别）且具有两种状态的马克夫转换 VAR(1) 模型估计结果表明：

状态 1

• **贴现率（inrate）**对自身具有正向影响。

• **增长型股票收益率（gret）**对自身具有负向影响。

• **长期债券收益率（bond）**对国库券收益率（tbill）具有正向影响。

• **国库券收益率（tbill）**对自身具有正向影响。

状态 2

• **贴现率（inrate）**对自身具有正向影响。

• **增长型股票收益率（gret）**对自身具有正向影响。

• **长期债券收益率（bond）**对国库券收益率（tbill）具有正向影响。

• **国库券收益率（tbill）**对自身具有正向影响。

状态转换概率

• 状态 1 到状态 1 的转换概率为 0.915。

• 状态 1 到状态 2 的转换概率为 0.085。

• 状态 2 到状态 1 的转换概率为 0.119。

• 状态 2 到状态 2 的转换概率为 0.881。

这些估计结果表明，贴现率、增长型股票收益率、长期债券收益率和国库券收益率之间的动态关系存在两种不同的状态。这些状态之间的转换概率表明，模型预测的资产收益率序列的未来值可能会出现突然的变化。

K=3

给定的具有三个状态的马克夫转换 VAR(1) 模型估计结果表明：

状态 1

• **收益率（yield）**对自身具有正向影响。

• **国库券收益率（tbill）**对自身具有正向影响。

状态 2

• **收益率（yield）**对自身具有正向影响。

• **增长型股票收益率（gret）**对自身具有正向影响。

• **价值型股票收益率（vret）**对自身具有负向影响。

• **国库券收益率（tbill）**对自身具有正向影响。

状态 3

• **增长型股票收益率（gret）**对自身具有正向影响。

• **价值型股票收益率（vret）**对自身具有负向影响。

• **长期债券收益率（bond）**对自身具有正向影响。

状态转换概率

• 状态 1 到状态 1 的转换概率为 0.964。

• 状态 1 到状态 2 的转换概率为 0.000。

• 状态 1 到状态 3 的转换概率为 0.118。

• 状态 2 到状态 1 的转换概率为 0.000。

• 状态 2 到状态 2 的转换概率为 0.546。

• 状态 2 到状态 3 的转换概率为 0.237。

• 状态 3 到状态 1 的转换概率为 0.359。

• 状态 3 到状态 2 的转换概率为 0.454。

• 状态 3 到状态 3 的转换概率为 0.645。

这些估计结果表明，收益率、增长型股票收益率、价值型股票收益率、长期债券收益率和国库券收益率之间的动态关系存在三种不同的状态。这些状态之间的转换概率表明，模型预测的资产收益率序列的未来值可能会出现突然的变化。

k=4

---

点击文末“阅读原文”

获取全文完整代码数据资料。

本文选自《马尔可夫转换MSVAR模型预测资产收益率时间序列可视化分析|附数据代码》。

点击标题查阅往期内容

R语言马尔可夫MCMC中的METROPOLIS HASTINGS，MH算法抽样（采样）法可视化实例

python贝叶斯随机过程：马尔可夫链Markov-Chain，MC和Metropolis-Hastings，MH采样算法可视化

Python贝叶斯推断Metropolis-Hastings（M-H）MCMC采样算法的实现

Metropolis Hastings采样和贝叶斯泊松回归Poisson模型

Matlab用BUGS马尔可夫区制转换Markov switching随机波动率模型、序列蒙特卡罗SMC、M H采样分析时间序列

R语言RSTAN MCMC：NUTS采样算法用LASSO 构建贝叶斯线性回归模型分析职业声望数据

R语言BUGS序列蒙特卡罗SMC、马尔可夫转换随机波动率SV模型、粒子滤波、Metropolis Hasting采样时间序列分析

R语言Metropolis Hastings采样和贝叶斯泊松回归Poisson模型

R语言贝叶斯MCMC：用rstan建立线性回归模型分析汽车数据和可视化诊断

R语言贝叶斯MCMC：GLM逻辑回归、Rstan线性回归、Metropolis Hastings与Gibbs采样算法实例

R语言贝叶斯Poisson泊松-正态分布模型分析职业足球比赛进球数

R语言用Rcpp加速Metropolis-Hastings抽样估计贝叶斯逻辑回归模型的参数

R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病

R语言中贝叶斯网络（BN）、动态贝叶斯网络、线性模型分析错颌畸形数据

R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归

Python贝叶斯回归分析住房负担能力数据集

R语言实现贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析

Python用PyMC3实现贝叶斯线性回归模型

R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型

R语言Gibbs抽样的贝叶斯简单线性回归仿真分析

R语言和STAN,JAGS：用RSTAN,RJAG建立贝叶斯多元线性回归预测选举数据

R语言基于copula的贝叶斯分层混合模型的诊断准确性研究

R语言贝叶斯线性回归和多元线性回归构建工资预测模型

R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例

R语言stan进行基于贝叶斯推断的回归模型

R语言中RStan贝叶斯层次模型分析示例

R语言使用Metropolis-Hastings采样算法自适应贝叶斯估计与可视化

R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型

WinBUGS对多元随机波动率模型：贝叶斯估计与模型比较

R语言实现MCMC中的Metropolis–Hastings算法与吉布斯采样

R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例

R语言使用Metropolis-Hastings采样算法自适应贝叶斯估计与可视化

视频：R语言中的Stan概率编程MCMC采样的贝叶斯模型

R语言MCMC:Metropolis-Hastings采样用于回归的贝叶斯估计