我正在模拟GARCH模型。模型本身并不太相关,我想问你的是如何在R中优化模拟。如果你看到任何矢量化的空间,我已经考虑过但我看不到它。到目前为止我所拥有的是:
让:
# ht=cond.variance in t
# zt= random number
# et = error term
# ret= return
# Horizon= n periods ahead
所以这就是代码:
randhelp= function(horizon=horizon){
ret <- zt <- et <- rep(NA,horizon)#initialize ret and zt et
for( j in 1:horizon){
zt[j]= rnorm(1,0,1)
et[j] = zt[j]*sqrt(ht[j])
ret[j]=mu + et[j]
ht[j+1]= omega+ alpha1*et[j]^2 + beta1*ht[j]
}
return(sum(ret))
}
我想从现在起对5个时期的回报进行模拟,所以我会运行这个让我们说10000。
#initial values of the simulation
ndraws=10000
horizon=5 #5 periods ahead
ht=rep(NA,horizon) #initialize ht
ht[1] = 0.0002
alpha1=0.027
beta1 =0.963
mu=0.001
omega=0
sumret=sapply(1:ndraws,function(x) randhelp(horizon))
我认为这种情况运行得相当快,但我想问你是否有办法以更好的方式解决这个问题。
谢谢!
答案 0 :(得分:5)
在Vincent的回复基础上,我改变了所有内容,同时将zt
全部转换为apply(ret, 1, sum)
并将rowSums(ret)
切换为randhelp2 <- function(horizon = 5, N = 1e4, h0 = 2e-4,
mu = 0, omega = 0, alpha1 = 0.027,
beta1 = 0.963 ){
ret <- et <- ht <- matrix(NA, nc = horizon, nr = N)
zt <- matrix(rnorm(N * horizon, 0, 1), nc = horizon)
ht[, 1] <- h0
for(j in 1:horizon){
et[, j] <- zt[, j] * sqrt(ht[, j])
ret[,j] <- mu + et[, j]
if( j < horizon )
ht[, j + 1] <- omega + alpha1 * et[, j] ^ 2 + beta1 * ht[, j]
}
rowSums(ret)
}
system.time(replicate(10,randhelp(N=1e5)))
user system elapsed
7.413 0.044 7.468
system.time(replicate(10,randhelp2(N=1e5)))
user system elapsed
2.096 0.012 2.112
,并且加速了相当多。我尝试了两个编译,但没有主要差异:
{{1}}
可能还有改进的余地: - )
答案 1 :(得分:4)
您可以使用大小为N的向量,而不是在循环中使用数字:
删除隐藏在sapply
中的循环。
randhelp <- function(
horizon=5, N=1e4,
h0 = 2e-4,
mu = 0, omega=0,
alpha1 = 0.027,
beta1 = 0.963
){
ret <- zt <- et <- ht <- matrix(NA, nc=horizon, nr=N)
ht[,1] <- h0
for(j in 1:horizon){
zt[,j] <- rnorm(N,0,1)
et[,j] <- zt[,j]*sqrt(ht[,j])
ret[,j] <- mu + et[,j]
if( j < horizon )
ht[,j+1] <- omega+ alpha1*et[,j]^2 + beta1*ht[,j]
}
apply(ret, 1, sum)
}
x <- randhelp(N=1e5)