本文展示了如何基于基础ARMA-GARCH过程（当然这也涉及广义上的QRM）来拟合和预测风险价值（Value-at-Risk，VaR）。

最近我们被客户要求撰写关于ARMA-GARCH的研究报告，包括一些图形和统计输出。

视频：风险价值VaR原理与Python蒙特卡罗Monte Carlo模拟计算投资组合实例

，时长10:03

 相关视频：时间序列分析：ARIMA GARCH模型分析股票价格数据

library(qrmtools)# 绘制qq图

library(rugarch)

模拟数据

我们考虑具有t分布的ARMA（1,1）-GARCH（1,1）过程

将ARMA-GARCH模型拟合到（模拟的）数据

拟合一个ARMA-GARCH过程。

计算VaR时间序列

计算风险价值估计值。请注意，我们也可以在这里使用基于GPD的估计模型。

通过随机性检查进行回测

我们来回测一下VaR估计值。

## 回测 VaR_0.99
btest <- VaRTest(alpha,actual =X,VaR =VaR,conf.level =0.95)
btest$expected.exceed# 0.99 * n

## [1] 990

btest$actual.exceed

## [1] 988

btest$uc.Decision
# unconditional test decision (note: cc.Decision is NA here)

## [1] "Fail to Reject H0"

基于拟合模型预测VaR

现在预测风险价值。

模拟（X）的未来序列并计算相应的VaR

模拟路径，估算每个模拟路径的VaR（注意，quantile()这里不能使用，所以我们必须手动构建VaR）。

---