VAR(1)滚动窗口(向量自回归)

Question

有人能帮我在R中运行一个具有多个时间序列滚动窗口的VAR(1) (向量自回归)并以某种方式存储Bcoef (系数)和残差吗？我似乎想不出什么办法一次做到这一点。

我的代码：(使用包library(vars)进行向量自回归)

varcoef <- function(x) Bcoef(VAR(x, p=1, type =c("const"), lag.max = NULL))
varr <-  function(x) resid(VAR(x, p=1, type =c("const"), lag.max = NULL))
rolling.var.coef <-  rollapply(eur.var,width=120,varcoef, by.column=FALSE)
var.resids<-as.data.frame(rollapplyr(eur.var,width=120,varr, by.column=FALSE))

这种方法的两个问题是：

• 我有3000天，输出矩阵rolling.var.coef和var.resids也是3000长，而长度必须是7x3000 (有7个系数)和119*3000 (每个回归有119个残差)，所以它只计算前几天的变量(1)。
• 最重要的是:如何在一个功能中完成，而不是两个。因为输出是两个矩阵

这是我的数据的大致视图--像这样的3000天。

V1    V2    V3    V4    V5    V6   V7
2016-05-10 -0.34 -0.35 -0.37 -0.40 -0.41 -0.30 0.14
2016-05-09 -0.36 -0.35 -0.37 -0.40 -0.41 -0.30 0.15  

Answer 1

所以，在这些行中尝试一些东西(方法是从包frequencyConnectedness的代码中借用来的)。

library(vars)

data(Canada)
data <- data.frame(Canada)
window <- 10

# your VAR function, saving both matrices in a list
caller <- function(j) {
  var.2c <- VAR(data[(1:window)+j,],p=1,type = "const")
  B <- Bcoef(var.2c)
  r <- resid(var.2c)
  list(B,r)
}

# Roll the fn over moving windows
out <- pbapply::pblapply(0:(nrow(Canada)-window), caller)

这里的优点是，使用大型和更耗时的函数(如SVAR)，您可以使用平行。

基于linux/mac的并行计算

例如，在linux/mac系统上，这将使您的计算机更容易使用( windows的不同情况，请参见上面的链接，下面的解决方案)：

library(vars)
library(pbapply)

data(Canada)
data <- data.frame(Canada)
window <- 10

caller <- function(j) {
  var.2c <- VAR(data[(1:window)+j,],p=1,type = "const")
  B <- Bcoef(var.2c)
  r <- resid(var.2c)
  list(B,r)
}

# Calculate the number of cores and define cluster
no_cores <- detectCores() - 1
cluster <- makeCluster(no_cores, type ="FORK")

out <- pbapply::pblapply(0:(nrow(Canada)-window), caller, cl = cluster)

stopCluster(cluster)

基于windows的并行计算

# Calculate the number of cores and create PSOCK cluster
no_cores <- detectCores() - 1
cluster <- makeCluster(no_cores)

# Export necessary data and functions to the global environment of the cluster workers 
# and necessary packages on the cluster workers
clusterExport(cluster, c("Canada","data","window","caller"), envir=environment())
clusterEvalQ(cluster, library(vars))

#Moving window estimation 
out <- pblapply(0:(nrow(Canada)-window), caller,cl = cluster)

stopCluster(cluster)