Question

我想比较garch模型时间序列与神经网络的关系。我有我的garch模型：

    garch<-ugarchspec(variance.model=list(garchOrder=c(1,1)),         
    mean.model=list(armaOrder= c(0,0), include.mean=FALSE),            
    distribution.model= "std")
    garch_fit<-ugarchfit(spec=garch,data=currency)

    print(garch_fit)

所以我的数据是外币兑换成美元，我将原始价格按所有价格的平均值计算。

我的项目的下一步是将我的货币数据拟合到神经网络，然后比较哪种模型更好 - garch或神经网络。关于如何进行的任何建议？

Answer 1

为了将数据拟合到R中的神经网络，有几个专门的软件包可供选择：nnet，neuralnet，deepnet（专门研究DNN），h2o，mxnet。如果你愿意的话，你也可以在R中使用TensorFlow或Keras开发非常特殊的神经网络。

过去我使用过nnet，neuralnet和Keras。对于快速项目和快速原型设计，library(neuralnet)对初学者非常有用。您可以非常快速地生成，训练和利用您设计的神经网络（在某些约束条件下）。举个例子：

nn_model <- neuralnet(formula = my_form, data = training_data, hidden = c(2, 3))

my_form可能类似于formula("currency ~ indVar1 + indVar2 +...)，training_data与您正在训练GARCH模型的数据相同，隐藏的是表示神经中每个隐藏层大小的向量网络（取决于你想要的结构，问题的性质等）

您应该做的是在相同的测试/验证数据（与训练数据分开且不同）上运行GARCH模型和神经网络，并通过准确度等指标评估其性能，精度和召回。

您可以使用以下命令在测试数据上运行生成的模型：

garch_out <- ugarchforecast(garch_fit, data = test_data[, -1], n.ahead = 10)
nn_out <- compute(x = nn_model, covariate = test_data[, -1])

并在离散或连续的基础上对它们进行评估，但是通过回归，您可能希望通过正常时间序列的镜头观察每个模型的输出与test_data[,1]的预期值之间的相似性。分析工具，如残差分析，R ^ 2，调整后的R ^ 2和其他拟合优度特征。

将Garch和神经网络与时间序列进行比较

1 个答案: