R语言中使用RCPP并行计算指数加权波动率

发布于

原文链接：http://tecdat.cn/?p=17829

指数加权波动率是一种波动率的度量，它使最近的观察结果有更高权重。我们将使用以下公式计算指数加权波动率：

S [t] ^ 2 = SUM（1-a）* a ^ i *（r [t-1-i]-rhat [t]）^ 2，i = 0…inf

其中rhat [t]是对应的指数加权平均值

rhat [t] = SUM（1-a）* a ^ i * r [t-1-i]，i = 0…inf

上面的公式取决于每个时间点的完整价格历史记录，并花了一些时间进行计算。因此，我想分享Rcpp和RcppParallel如何帮助我们减少计算时间。

我将使用汇率的历史数据集 作为测试数据。

首先，我们计算平均滚动波动率

代码语言：javascript
复制

#*****************************************************************
# 计算对数收益率
#*****************************************************************
ret = diff(log(data$prices))

tic(5)

hist.vol = sqrt(252) * bt.apply.matrix(ret, runSD, n = 200)

toc(5)

经过时间为0.17秒

接下来，让我们编写指数加权代码逻辑

代码语言：javascript
复制

# 建立 RCPP 函数计算指数加权波动率
load.packages('Rcpp')
sourceCpp(code='
#include <Rcpp.h>
using namespace Rcpp;
using namespace std;

// [[Rcpp::plugins(cpp11)]]


//ema[1] = 0

//ema[t] = (1-a)*r[t-1] + (1-a)aema[t-1]

// [[Rcpp::exp


{

if(!NumericVector::is_na(x[t])) break;

res[t] = NA_REAL;

}

int start_t = t;


-a) * a^i * (r[t-1-i] - rhat[t])^2, i=0 ... inf

// [[Rcpp::export]]

NumericVector run_esd_cpp(NumericVector x, double ratio) {

auto sz = x.siz


// 找到开始的索引，第一个非空项;

for(t = 0; t < sz; t++) {

if(!Num

0;

for(t = start_t + 1; t < sz; t++) {

ema = (1-ratio) * ( x[t-1] + ratio * ema);

double sigma = 0;

for(int i = 0; i < (t - start_t); i++) {

sigma += pow(ratio,i) * pow(x[t-1-i] - ema, 2);

}

res[t] = (1-ratio) * sigma;

}

, n, ratio = n/(n+1)) run_ema_cpp(x, ratio)

run.esd = funct

经过时间为106.16秒。

执行此代码花了一段时间。但是，代码可以并行运行。以下是RcppParallel版本。

代码语言：javascript
复制

# 建立 RCPP 并行函数计算指数加权波动率
load.packages('RcppParallel')
sourceCpp(code='

using namespace Rcpp;

using namespace s

s(cpp11)]]

// [[Rcpp::depends(R

to read from

const RMatrix<double> mat;

// internal variables

const double ratio

t;

// 从Rcpp输入和输出矩阵初始化

run_esd_helper(const Nume

all operator that work for th


in, size_t end) {

for (size_t c1 = begin; c1 < end; c1++) {

int t;

// find start index; fir

经过时间为14.65秒

运行时间更短。接下来，让我们直观地了解使用指数加权波动率的影响

代码语言：javascript
复制

dates = '2007::2010'
layout(1:2)
e='h', col='black', plotX=F)
plota.legend(paste('Dai
s,1],type='l',col='black')

不出所料，指数加权波动率在最近的观察结果中占了更大的比重，是一种更具反应性的风险度量。

#sum