如何解决R语言fGarch包中stdFit与sstdFit拟合收敛问题

我需要将学生t分布和偏态学生t分布拟合到对数收益率数据上，目前使用R语言fGarch包中的stdFit和sstdFit函数（若有更优的替代工具也可推荐）。

问题在于多数情况下拟合无法收敛，示例代码如下：

set.seed(123)
require(xts)
require(rugarch)
require(fGarch)
data(sp500ret)
spx = as.xts(sp500ret[1000:nrow(sp500ret),,drop=F])

hist(spx,200)

fit_std = stdFit(spx)
if(fit_std$convergence != 0){
  print("stdFit did not converge")
}

fit_sstd = sstdFit(spx)
if(fit_sstd$code != 0){
  print("sstdFit did not converge")
}

目前仅能向stdFit和sstdFit传递优化器nlm的参数，我更希望能设置初始值和/或参数边界。此外，我未找到sstdFit$code取值（至少包含0、1、2、3）的含义说明。

请问如何优化拟合效果？我需要自动重复执行超百万次不同的拟合操作。

附sessionInfo()信息用于复现：

R version 4.2.3 (2023-03-15 ucrt)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 19045)

Matrix products: default

locale:
[1] LC_COLLATE=German_Germany.utf8  LC_CTYPE=German_Germany.utf8    LC_MONETARY=German_Germany.utf8 LC_NUMERIC=C                   
[5] LC_TIME=German_Germany.utf8    

attached base packages:
[1] parallel  stats     graphics  grDevices utils     datasets  methods   base      

other attached packages:
[1] fGarch_4022.89 rugarch_1.4-9  xts_0.13.1     zoo_1.8-12    

loaded via a namespace (and not attached):
 [1] tidyselect_1.2.0            remotes_2.4.2               ks_1.14.0                   reshape2_1.4.4             
 [5] lattice_0.20-45             colorspace_2.1-0            vctrs_0.6.2                 generics_0.1.3             
 [9] SkewHyperbolic_0.4-0        utf8_1.2.3                  rlang_1.1.0                 pracma_2.4.2               
[13] gbutils_0.5                 pillar_1.9.0                glue_1.6.2                  cvar_0.5                   
[17] lifecycle_1.0.3             plyr_1.8.8                  stringr_1.5.0               timeDate_4022.108          
[21] munsell_0.5.0               fBasics_4022.94             gtable_0.3.3                timeSeries_4021.105        
[25] mvtnorm_1.1-3               fansi_1.0.4                 Rcpp_1.0.10                 KernSmooth_2.23-20         
[29] scales_1.2.1                DistributionUtils_0.6-0     truncnorm_1.0-9             spd_2.0-1                  
[33] ggplot2_3.4.2               stringi_1.7.12              dplyr_1.1.1                 rbibutils_2.2.13           
[37] numDeriv_2016.8-1.1         cowplot_1.1.1               grid_4.2.3                  Rdpack_2.4                 
[41] cli_3.6.1                   tools_4.2.3                 magrittr_2.0.3              Rsolnp_1.16                
[45] tibble_3.2.1                pacman_0.5.1                spatial_7.3-16              pkgconfig_2.0.3            
[49] GeneralizedHyperbolic_0.8-4 MASS_7.3-58.2               Matrix_1.5-3                rstudioapi_0.14            
[53] R6_2.5.1                    mclust_6.0.0                compiler_4.2.3   

一、替代工具推荐 #

• rugarch包：你已加载该包，其fitdist函数支持自定义分布（含学生t、偏态学生t），允许设置初始值、参数边界，还支持多种优化器（如nlminb、solnp），灵活性远超fGarch。
• fitdistrplus包：通用分布拟合工具，支持几乎所有常见分布，可自由指定优化方法、初始值和参数约束，适配批量处理场景。

二、优化拟合效果的方法 #

1. 自定义初始值与参数边界 #

若坚持使用fGarch，可手动编写对数似然函数，调用支持边界的优化器（如nlminb），示例代码如下：

# 学生t分布对数似然函数
ll_std <- function(params, data) {
  mu <- params[1]
  sigma <- params[2]
  nu <- params[3]
  -sum(dstd(data, mean = mu, sd = sigma, nu = nu, log = TRUE))
}

# 偏态学生t分布对数似然函数
ll_sstd <- function(params, data) {
  mu <- params[1]
  sigma <- params[2]
  nu <- params[3]
  xi <- params[4]
  -sum(dsstd(data, mean = mu, sd = sigma, nu = nu, xi = xi, log = TRUE))
}

# 拟合学生t分布：设置初始值和边界
init_std <- c(mu = mean(spx), sigma = sd(spx), nu = 5)
bounds_std <- list(lower = c(-Inf, 1e-6, 2.01), upper = c(Inf, Inf, Inf))
fit_std_custom <- nlminb(start = init_std, objective = ll_std, data = spx, lower = bounds_std$lower, upper = bounds_std$upper)

# 拟合偏态学生t分布：设置初始值和边界
init_sstd <- c(mu = mean(spx), sigma = sd(spx), nu = 5, xi = 1) # xi=1对应对称分布
bounds_sstd <- list(lower = c(-Inf, 1e-6, 2.01, 0.01), upper = c(Inf, Inf, Inf, 10))
fit_sstd_custom <- nlminb(start = init_sstd, objective = ll_sstd, data = spx, lower = bounds_sstd$lower, upper = bounds_sstd$upper)

2. 更换优化器 #

• fGarch的stdFit和sstdFit默认使用nlm，可尝试传递optim.method = "BFGS"参数，但nlm本身不支持边界约束，更推荐使用上述自定义似然函数+nlminb/optim（选择L-BFGS-B方法支持边界）。
• 批量任务中，optim的L-BFGS-B方法在效率和稳定性上表现更优。

3. 数据预处理 #

对数收益率数据的极端值易导致拟合不收敛，可尝试：

• 缩尾处理：截断上下0.1%的极端值，避免似然函数陷入局部最优。
• 标准化：先将数据转换为均值0、标准差1的标准化数据，简化参数搜索空间，拟合完成后再还原参数。

4. sstdFit$code含义说明 #

sstdFit的code直接继承自nlm的返回码，对应含义：

• 0：收敛成功
• 1：迭代次数达到设定上限
• 2：梯度绝对值小于收敛阈值，但未达到迭代次数上限
• 3：参数变化量小于收敛阈值，但未达到迭代次数上限

三、百万次批量拟合的效率优化 #

• 并行计算：使用parallel包的mclapply（Windows系统用parLapply），将拟合任务分配到多个CPU核心，大幅提升处理速度。
• 预编译似然函数：用Rcpp编写对数似然函数并编译，运行速度比纯R实现快数倍，适配超大规模批量任务。
• 统一初始值：对所有拟合任务使用合理的统一初始值（如均值、标准差、nu=5、xi=1），减少优化器的搜索时间。
• 过滤无效数据：提前筛选掉不符合分布特征的数据（如全为0、极端值占比过高），避免无效计算。

内容的提问来源于stack exchange，提问作者smaica