此示例显示了如何指定复合条件均值和方差模型华宇电脑
.
加载工具箱中包含的纳斯达克数据。将每日收盘的综合指数系列转换成百分比回报系列。
负载data_equityidx.纳斯达克= DataTable.NASDAQ;r = 100 * price2ret(纳斯达克);T =长度(r);图(r) xlim([0 T]) title(“纳斯达克每日回报”)
回报似乎在一个恒定水平上下波动,但表现出波动聚集。收益的大变化往往聚集在一起,小变化往往聚集在一起。也就是说,该级数具有条件异方差。
回报的频率相对较高。因此,每天的变化可能很小。为了数值的稳定性,对这类数据进行缩放是一个很好的做法。
绘制返回序列的样本自相关函数(ACF)和偏自相关函数(PACF)。
图subplot(2,1,1) autocorr(r) subplot(2,1,2) parcorr(r)
自相关函数表明在滞后1时存在显著的自相关。
在滞后5时进行Ljung-Box q测试。
[h,p] = lbqtest(r,'滞后'5)
h =逻辑1
p = 0.0120
所有自相关性在滞后5之前为0的零假设被拒绝(h = 1
).
绘制平方返回序列的样本ACF和PACF。
图subplot(2,1,1) autocorr(r.^2) subplot(2,1,2) parcorr(r.^2)
自相关函数显示出显着的串行依赖性,这表明该系列是有条件的异源性。
进行恩格尔ARCH测试。用无条件异方差原假设与具有两时滞的ARCH模型(局部等效于GARCH(1,1)模型)的备择假设进行检验。
(h p) = archtest (r-mean (r),'滞后', 2)
h =逻辑1
p = 0
原假设被拒绝,取而代之的是备择假设(h = 1
).
指定一个AR(1)模型作为纳斯达克收益的条件均值,一个GARCH(1,1)模型作为条件方差。这是表单的一个模型
在哪里 ,
和 是一个独立的同分布标准化高斯过程。
Mdl = arima (“ARLags”, 1“方差”garch (1,1))
描述:“arima(1,0,0)模型(高斯分布)”分布:Name = "Gaussian" P: 1 D: 0 Q: 0 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0] Variance: [GARCH(1,1) Model]
模型输出表明agarch
模型存储在方差
财产的财产华宇电脑
模型中,Mdl
.