R语言中使用RCPP并行计算指数加权波动率

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


#*****************************************************************# 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


# 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)*a*ema[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(!Num0;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。


# 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 ss(cpp11)]]// [[Rcpp::depends(Rto read fromconst RMatrix<double> mat;// internal variablesconst double ratiot;// 从Rcpp输入和输出矩阵初始化run_esd_helper(const Numeall 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


dates = '2007::2010'layout(1:2)e='h', col='black', plotX=F)plota.legend(paste('Dais,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。

---