gjr
GJR条件方差时间序列模型
描述
使用gjr
指定一个单变量GJR (Glosten、Jagannathan Runkle)模型。的gjr
函数返回一个gjr
对象指定的函数形式GJR (P,问)模型标签,并将参数值。
的关键部件gjr
模型包括:
GARCH多项式族,这是由滞后条件方差。用程度P。
拱多项式,这是由落后的平方的创新。
利用多项式,这是由落后的平方,消极的创新。
最大的拱门和利用多项式度,用问。
P是最大的非零延迟的GARCH多项式,然后呢问是最大的非零延迟的拱门和利用多项式。其他模型组件包括一个创新意味着模型抵消,条件方差模型常数,创新分布。
所有的未知系数(南
值)和有价值的,除非你使用名称-值对参数指定值语法。估计模型包含所有或部分未知参数值给定数据,使用估计
。为完全指定模型(模型中所有参数值是已知的),使用模拟或预测反应模拟
或预测
,分别。
创建
描述
返回一个零度的条件方差Mdl
= gjrgjr
对象。
输入参数
简写语法为您提供一种简单的方法来创建适合无限制的参数估计的模型模板。例如,要创建一个GJR(1,2)模型包含未知参数值,输入:
Mdl = gjr (1、2);
P
- - - - - -GARCH多项式程度
非负整数
GARCH多项式学位,指定为一个非负整数。GARCH多项式和时间t,MATLAB®包括所有的连续条件方差从滞后t- 1通过滞后t- - - - - -P
。
您可以指定这个参数使用gjr
(P, Q)
简写语法。
如果P
> 0,那么您必须指定问
作为一个正整数。
例子:gjr (1, 1)
数据类型:双
问
- - - - - -拱多项式程度
非负整数
拱多项式学位,指定为一个非负整数。在拱门多项式和时间t连续,MATLAB包括所有方创新(拱多项式)和的平方,负面创新条款(利用多项式)滞后t- 1通过滞后t- - - - - -问
。
您可以指定这个参数使用gjr
(P, Q)
简写语法。
如果P
> 0,那么您必须指定问
作为一个正整数。
例子:gjr (1, 1)
数据类型:双
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
R2021a之前,用逗号来分隔每一个名称和值,并附上的名字
在报价。
原来的代码允许您创建模型中部分或全部系数是已知的。在评估期间,估计
对任何已知等式约束参数。
例子:“ARCHLags”,[1 - 4],“拱”,{南南}
指定了GJR(0, 4)模型和未知,但非零,拱在滞后系数矩阵1
和4
。
GARCHLags
- - - - - -GARCH多项式滞后
1:P
(默认)|独特的正整数数值向量
GARCH多项式滞后,指定为逗号分隔组成的“GARCHLags”
和一个数字向量独特的正整数。
GARCHLags (
相对应的滞后系数吗j
)GARCH {
。的长度j
}GARCHLags
和GARCH
必须是相等的。
假设所有GARCH系数(指定的GARCH
属性)是积极的南
值,马克斯(GARCHLags)
确定的价值P
财产。
例子:“GARCHLags”, [1 - 4]
数据类型:双
ARCHLags
- - - - - -拱多项式滞后
1:问
(默认)|独特的正整数数值向量
拱多项式滞后,指定为逗号分隔组成的“ARCHLags”
和一个数字向量独特的正整数。
ARCHLags (
相对应的滞后系数吗j
)弓{
。的长度j
}ARCHLags
和拱
必须是相等的。
假设所有拱和杠杆系数(指定的拱
和利用
积极或属性)南
值,马克斯([ARCHLags LeverageLags])
确定的价值问
财产。
例子:“ARCHLags”, [1 - 4]
数据类型:双
LeverageLags
- - - - - -利用多项式滞后
1:问
(默认)|独特的正整数数值向量
利用多项式滞后,指定为逗号分隔组成的“LeverageLags”
和一个数字向量独特的正整数。
LeverageLags (
相对应的滞后系数吗j
)利用{
。的长度j
}LeverageLags
和利用
必须是相等的。
假设所有拱和杠杆系数(指定的拱
和利用
积极或属性)南
值,马克斯([ARCHLags LeverageLags])
确定的价值问
财产。
例子:LeverageLags, 1:4
数据类型:双
属性
你可以设置可写属性值创建模型对象时通过使用名称-值对参数语法,或在您创建模型对象通过使用点符号。例如,要创建一个GJR(1,1)模型与未知系数,然后指定一个t创新分布未知自由度,输入:
Mdl = gjr (“GARCHLags”1“ARCHLags”, 1);Mdl.Distribution=“t”;
P
- - - - - -GARCH多项式程度
非负整数
这个属性是只读的。
GARCH多项式学位,指定为一个非负整数。P
是最大延迟的GARCH多项式的系数是正的还是南
。不到的滞后P
系数等于0。
P
指定所需的最小数量的条件方差presample初始化模型。
如果你使用名称-值对参数来创建模型,然后用MATLAB实现了其中的一个替代品(假设最大的滞后系数是正的南
):
如果您指定
GARCHLags
,然后P
是最大的指定的延迟。如果您指定
GARCH
,然后P
是指定的元素的数量值。如果你指定GARCHLags
,然后gjr
使用GARCHLags
来确定P
代替。否则,
P
是0
。
数据类型:双
问
- - - - - -最大程度的拱门和利用多项式
非负整数
这个属性是只读的。
最大程度的拱门和利用多项式,指定为一个非负整数。问
是最大延迟的拱门和利用多项式模型。在这两种类型的多项式,不到滞后问
系数等于0。
问
指定启动所需的最小数量的presample创新模型。
如果你使用名称-值对参数来创建模型,然后用MATLAB实现了其中的一个替代品(假设拱的最大的滞后系数和利用多项式都积极的或南
):
如果您指定
ARCHLags
或LeverageLags
,然后问
是两个规范之间的最大。如果您指定
拱
或利用
,然后问
是两个规范之间的元素的最大数量。如果你指定ARCHLags
或LeverageLags
,然后gjr
使用它们的值来确定问
代替。否则,
问
是0
。
数据类型:双
常数
- - - - - -条件方差模型常数
南
(默认)|积极的标量
条件方差模型常数,指定为一个积极的标量或南
价值。
数据类型:双
GARCH
- - - - - -GARCH多项式系数
细胞积极的标量或矢量南
值
GARCH多项式系数,指定为一个细胞积极的标量或矢量南
值。
如果您指定
GARCHLags
下列条件适用。的长度
GARCH
和GARCHLags
是相等的。GARCH {
滞后系数j
}GARCHLags (
。j
)默认情况下,
GARCH
是一个元素个数(GARCHLags)
1细胞向量南
值。
否则,下列条件适用。
的长度
GARCH
是P
。GARCH {
滞后系数j
}j
。默认情况下,
GARCH
是一个P
1细胞向量南
值。
的系数GARCH
对应于在一个潜在的系数LagOp
滞后算子多项式,接近零容忍排除测试。如果你设置一个系数1 e-12
或以下,gjr
不包括系数及其相应的滞后GARCHLags
从模型。
数据类型:细胞
拱
- - - - - -拱多项式系数
细胞积极的标量或矢量南
值
拱多项式系数,指定为一个细胞积极的标量或矢量南
值。
如果您指定
ARCHLags
下列条件适用。的长度
拱
和ARCHLags
是相等的。弓{
滞后系数j
}ARCHLags (
。j
)默认情况下,
拱
是一个问
1细胞向量南
值。更多细节,请参阅问
财产。
否则,下列条件适用。
的长度
拱
是问
。弓{
滞后系数j
}j
。默认情况下,
拱
是一个问
1细胞向量南
值。
的系数拱
对应于在一个潜在的系数LagOp
滞后算子多项式,接近零容忍排除测试。如果你设置一个系数1 e-12
或以下,gjr
不包括系数及其相应的滞后ARCHLags
从模型。
数据类型:细胞
利用
- - - - - -利用多项式的系数
单元格的数值标量或矢量南
值
利用多项式系数,指定为一个单元格数值标量或矢量南
值。
如果您指定
LeverageLags
下列条件适用。的长度
利用
和LeverageLags
是相等的。利用{
滞后系数j
}LeverageLags (
。j
)默认情况下,
利用
是一个问
1细胞向量南
值。更多细节,请参阅问
财产。
否则,下列条件适用。
的长度
利用
是问
。利用{
滞后系数j
}j
。默认情况下,
利用
是一个问
1细胞向量南
值。
的系数利用
对应于在一个潜在的系数LagOp
滞后算子多项式,接近零容忍排除测试。如果你设置一个系数1 e-12
或以下,gjr
不包括系数及其相应的滞后LeverageLags
从模型。
数据类型:细胞
UnconditionalVariance
- - - - - -模型的无条件方差
积极的标量
这个属性是只读的。
指定的无条件方差模型,作为一个积极的标量。
无条件方差是
κ条件方差模型常数(常数
)。
数据类型:双
抵消
- - - - - -创新意味着模型抵消
0
(默认)|数字标量|南
创新意味着模型偏移,或添加剂常数,指定为一个数值标量或南
价值。
数据类型:双
分布
- - - - - -条件概率分布的创新过程
“高斯”
(默认)|“t”
|结构数组
条件概率分布的创新过程,指定为一个字符串数组或结构。gjr
作为一个结构数组存储价值。
分布 | 字符串 | 结构数组 |
---|---|---|
高斯 | “高斯” |
结构(“名字”,“高斯”) |
学生的t | “t” |
结构(“名字”,“t”,景深,景深) |
的“景深”
字段指定t自由度分布参数。
景深
> 2或景深
=南
。景深
是有价值的。如果您指定
“t”
,景深
是南
默认情况下。你可以改变它的值通过使用点符号在您创建模型。例如,Mdl.Distribution。景深= 3
。如果你提供一个结构数组指定学生的t分布,那么你必须指定的
“名字”
和“景深”
字段。
例子:结构(“名字”,“t”、“景深”,10)
描述
- - - - - -模型描述
字符串标量|特征向量
模型描述,指定为一个字符串标量或特征向量。gjr
存储值作为字符串标量。默认值描述模型的参数形式,例如“GJR条件方差(1,1)模型(高斯分布)”
。
数据类型:字符串
|字符
请注意
所有
南
价值模型参数,包括系数和t-innovation-distribution自由度(如果存在),是有价值的。当你通过产生的gjr
对象和数据估计
MATLAB估计,所有南
有价值的参数。在评估期间,估计
将已知参数作为等式约束,估计
持有任何已知参数固定的值。通常,拱的滞后和利用多项式是相同的,但是他们的平等并不是一个要求。不同多项式时:
要么
弓{Q}
或利用{Q}
满足了接近于零的排斥宽容。在这种情况下,MATLAB排除相应的多项式的滞后。您指定的多项式通过指定不同的长度
ARCHLags
或LeverageLags
或通过设置拱
或利用
财产。
在这两种情况下,
问
是两个多项式之间的最大延迟。
对象的功能
例子
创建默认GJR模型
创建一个默认的gjr
模型对象,并指定其参数值使用点符号。
创建一个GJR模型(0,0)。
Mdl = gjr
Mdl = gjr属性:描述:“gjr(0,0)条件方差模型(高斯分布)”分布: Name = "Gaussian" P: 0 Q: 0 Constant: NaN GARCH: {} ARCH: {} Leverage: {} Offset: 0
Mdl
是一个gjr
模型对象。它包含一个未知常数,其抵消0
,创新分布“高斯”
。没有GARCH模型、拱或利用多项式。
指定两个未知的拱门和杠杆系数用于滞后一个和两个使用点符号。
Mdl。拱={南南};Mdl。杠杆={南南};Mdl
Mdl = gjr属性:描述:“gjr(0, 2)条件方差模型(高斯分布)”分布: Name = "Gaussian" P: 0 Q: 2 Constant: NaN GARCH: {} ARCH: {NaN NaN} at lags [1 2] Leverage: {NaN NaN} at lags [1 2] Offset: 0
的问
,拱
,利用
属性更新2
,{南南}
,{南南}
,分别。两个拱和杠杆系数与滞后1和2相关联。
使用简写语法创建GJR模型
创建一个gjr
模型对象使用速记符号gjr (P, Q)
,在那里P
GARCH多项式和的程度吗问
拱门的程度,利用多项式。
创建一个GJR(2)模型。
Mdl = gjr (2)
Mdl = gjr属性:描述:“gjr(3 2)条件方差模型(高斯分布)”分布: Name = "Gaussian" P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN NaN} at lags [1 2 3] ARCH: {NaN NaN} at lags [1 2] Leverage: {NaN NaN} at lags [1 2] Offset: 0
Mdl
是一个gjr
模型对象。所有的属性Mdl
,除了P
,问
,分布
,都是南
值。默认情况下,软件:
包含一个条件方差模型常数
不包括一个条件意味着模型(即抵消。,抵消
0
)包括所有滞后项GARCH多项式滞后
P
包括所有滞后项拱和利用多项式滞后
问
Mdl
指定只有GJR模型的函数形式。因为它包含未知参数值,可以通过Mdl
和时间序列数据估计
来估计参数。
使用原来的代码创建GJR模型
创建一个gjr
使用名称-值对模型参数。
指定一个GJR(1, 1)模型。
Mdl = gjr (“GARCHLags”,1“ARCHLags”,1“LeverageLags”,1)
Mdl = gjr属性:描述:“gjr条件方差(1,1)模型(高斯分布)”分布: Name = "Gaussian" P: 1 Q: 1 Constant: NaN GARCH: {NaN} at lag [1] ARCH: {NaN} at lag [1] Leverage: {NaN} at lag [1] Offset: 0
Mdl
是一个gjr
模型对象。软件设置所有参数南
,除了P
,问
,分布
,抵消
(这是0
默认情况下)。
自Mdl
包含南
值,Mdl
是只适合估计。通过Mdl
和时间序列数据估计
。
创建GJR模型与已知系数
创建一个GJR(1,1)模型意味着抵消
在哪里
和 是一个独立的和恒等分布的标准高斯过程。
Mdl = gjr (“不变”,0.0001,“四国”,0.35,…“拱”,0.1,“抵消”,0.5,“杠杆”0.01,0.03 {0})
Mdl = gjr属性:描述:“gjr(1、3)条件方差模型和偏移(高斯分布)”分布: Name = "Gaussian" P: 1 Q: 3 Constant: 0.0001 GARCH: {0.35} at lag [1] ARCH: {0.1} at lag [1] Leverage: {0.03 0.01} at lags [1 3] Offset: 0.5
gjr
指定默认值与名称-值对您没有指定任何属性参数。另一种方法来指定利用组件“杠杆”,{0.03 - 0.01},“LeverageLags”, [1 3]
。
访问GJR模型属性
访问的属性gjr
使用点符号模型对象。
创建一个gjr
模型对象。
Mdl = gjr (2)
Mdl = gjr属性:描述:“gjr(3 2)条件方差模型(高斯分布)”分布: Name = "Gaussian" P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN NaN} at lags [1 2 3] ARCH: {NaN NaN} at lags [1 2] Leverage: {NaN NaN} at lags [1 2] Offset: 0
从模型中删除第二个GARCH任期。即指定GARCH第二滞后条件方差系数0
。
Mdl。GARCH {2} = 0
Mdl = gjr属性:描述:“gjr(3 2)条件方差模型(高斯分布)”分布: Name = "Gaussian" P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lags [1 3] ARCH: {NaN NaN} at lags [1 2] Leverage: {NaN NaN} at lags [1 2] Offset: 0
GARCH多项式有两个未知参数对应落后1和3。
显示分布的干扰。
Mdl.Distribution
ans =结构体字段:名称:“高斯”
干扰是高斯平均值为0,方差为1。
指定,潜在的干扰t分布与五自由度。
Mdl.Distribution=struct(“名字”,“t”,“景深”5)
Mdl = gjr属性:描述:“gjr(3 2)条件方差模型(t分布)”分布: Name = "t", DoF = 5 P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lags [1 3] ARCH: {NaN NaN} at lags [1 2] Leverage: {NaN NaN} at lags [1 2] Offset: 0
指定拱门第一滞后系数是0.2和0.1第二滞后。
Mdl。拱= {0.2 - 0.1}
Mdl = gjr属性:描述:“gjr(3 2)条件方差模型(t分布)”分布: Name = "t", DoF = 5 P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lags [1 3] ARCH: {0.2 0.1} at lags [1 2] Leverage: {NaN NaN} at lags [1 2] Offset: 0
估计剩下的参数,可以通过Mdl
和你的数据来估算并使用指定的参数作为等式约束。或者,您可以指定其他参数值,然后模拟或预测条件方差的GARCH模型通过完全指定的模型模拟
或预测
,分别。
估计GJR模型
适合GJR模型的年度时间序列从1861 - 1970年股票价格指数的回报。
加载Nelson-Plosser数据集。每年将股票价格指数(SP
)的回报。情节的回报。
负载Data_NelsonPlosser;sp = price2ret (DataTable.SP);图;情节(日期(2:结束),sp);持有在;情节([日期(2)日期(结束)],[0 0),“:”);%情节y = 0持有从;标题(“返回”);ylabel (的回报率(%));包含(“年”);轴紧;
返回系列似乎并没有一个条件意味着抵消,而且似乎表现出波动集群。即变化前几年是小于晚年。对于这个示例,假设一个GJR(1,1)模型是适合这个系列。
创建一个GJR(1,1)模型。默认条件均值偏移量为零。该软件包括一个默认条件方差模型常数。
Mdl = gjr (“GARCHLags”,1“ARCHLags”,1“LeverageLags”1);
符合GJR(1,1)模型的数据。
EstMdl =估计(Mdl, sp);
GJR条件方差(1,1)模型(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ ________常数0.0045728 0.0044199 1.0346 0.30086 GARCH{1} 0.55808 0.24 2.3253 0.020057弓{1}杠杆{1}0.20461 0.17886 1.144 0.25263 0.18066 0.26802 0.67406 - 0.50027
EstMdl
是一个完全指定的gjr
模型对象。也就是说,它不包含南
值。你可以评估模型的充分性通过生成残差推断出
,然后分析它们。
模拟条件方差或反应,通过EstMdl
来模拟
。
预测创新,通过EstMdl
来预测
。
模拟GJR模型观察和条件方差
模拟条件方差或响应从完全指定的路径gjr
模型对象。也就是说,从估计模拟gjr
模型或一个已知的gjr
模型中指定参数值。
加载Nelson-Plosser数据集。每年将股票价格指数的回报。
负载Data_NelsonPlosser;sp = price2ret (DataTable.SP);
创建一个GJR(1,1)模型。符合模型返回系列。
Mdl = gjr (1,1);EstMdl =估计(Mdl, sp);
GJR条件方差(1,1)模型(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ ________常数0.0045728 0.0044199 1.0346 0.30086 GARCH{1} 0.55808 0.24 2.3253 0.020057弓{1}杠杆{1}0.20461 0.17886 1.144 0.25263 0.18066 0.26802 0.67406 - 0.50027
100年模拟路径的条件方差和响应估计GJR模型。
numObs =元素个数(sp);%样本大小(T)numPaths = 100;%的路径来模拟rng (1);%的再现性[VSim, YSim] =模拟(EstMdl numObs,“NumPaths”,numPaths);
VSim
和YSim
是T
——- - - - - -numPaths
矩阵。行对应样本期间,和列对应于一个模拟路径。
情节的平均百分位数和97.5%和2.5%模拟路径。比较仿真统计原始数据。
日期=日期(2:结束);VSimBar =意味着(VSim, 2);VSimCI =分位数(VSim [0.025 - 0.975], 2);YSimBar =意味着(YSim, 2);YSimCI =分位数(YSim [0.025 - 0.975], 2);图;次要情节(2,1,1);h1 =情节(日期、VSim“颜色”,0.8 * (1、3));持有在;h2 =情节(日期、VSimBar“k——”,“线宽”2);h3 =情节(日期、VSimCI“r——”,“线宽”2);持有从;标题(模拟的条件方差的);ylabel (的电导率。var。);包含(“年”);轴紧;次要情节(2,1,2);h1 =情节(日期、YSim“颜色”,0.8 * (1、3));持有在;h2 =情节(日期、YSimBar“k——”,“线宽”2);h3 =情节(日期、YSimCI“r——”,“线宽”2);持有从;标题(“模拟名义回报”);ylabel (的名义收益率(%));包含(“年”);轴紧;传奇([h1 h2 (1) h3 (1)), {“模拟路径”“的意思是”“信心界限”},…“字形大小”7“位置”,“西北”);
预测GJR模型条件方差
预测从完全指定的条件方差gjr
模型对象。也就是说,从估计预测gjr
模型或一个已知的gjr
模型中指定参数值。
加载Nelson-Plosser数据集。每年将股票价格指数(SP
)的回报。
负载Data_NelsonPlosser;sp = price2ret (DataTable.SP);
创建一个GJR(1,1)模型和系列适合它的返回。
Mdl = gjr (“GARCHLags”,1“ARCHLags”,1“LeverageLags”1);EstMdl =估计(Mdl, sp);
GJR条件方差(1,1)模型(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ ________常数0.0045728 0.0044199 1.0346 0.30086 GARCH{1} 0.55808 0.24 2.3253 0.020057弓{1}杠杆{1}0.20461 0.17886 1.144 0.25263 0.18066 0.26802 0.67406 - 0.50027
名义收益率的条件方差预测系列10年后的未来使用估计GJR模型。整个系列返回指定为presample观察。软件使用presample观察和推断presample条件方差模型。
numPeriods = 10;vF =预测(EstMdl numPeriods, sp);
情节的预测条件方差名义回报。比较观察到的条件方差的预测。
v =推断(EstMdl, sp);nV =大小(v, 1);日期=日期((结束- nV + 1):结束);图;情节(日期、v、凯西:”,“线宽”2);持有在;情节(日期(结束):日期(结束)+ 10 (v(结束);vF),“r”,“线宽”2);标题(“预测条件方差的回报”);ylabel (“有条件的差异”);包含(“年”);轴紧;传奇({“估计样品电导率。Var。,预测电导率。var。},…“位置”,“西北”);
更多关于
GJR模型
的Glosten、Jagannathan Runkle GJR模型是一个动态的模型,地址条件异方差性,或者波动聚类,在一个创新的过程。波动集群发生在一个创新的过程没有表现出显著的自相关,但过程的方差随时间变化。
GJR模型是一个泛化的GARCH模型,适合建模不对称波动集群[1]。具体地说,该模型假定当前的条件方差这些线性过程的总和,系数:
过去的条件方差(GARCH组件或多项式)。
过去的平方创新(ARCH组件或多项式)。
过去的平方,消极的创新(利用组件或多项式)。
考虑时间序列
在哪里 GJR (P,问)条件方差的过程, 的形式,
表显示了变量对应的属性gjr
对象。在表中,我(x< 0)= 1,否则和0。
变量 | 描述 | 财产 |
---|---|---|
μ | 创新意味着模型常数抵消 | “抵消” |
κ> 0 | 条件方差模型常数 | “不变” |
γj | GARCH分量系数 | “四国” |
αj | 拱分量系数 | “拱” |
ξj | 利用组件系数 | “杠杆” |
zt | 一系列独立的随机变量均值为0,方差为1 | “分布” |
平稳性和积极性,GJR模型使用这些约束:
GJR模型是适当的时候负面冲击波动做出更多贡献,比积极的冲击[2]。
如果所有杠杆系数是零,那么GJR模型降低了GARCH模型。因为GARCH模型嵌套在GJR模型中,您可以使用似然比检测比较GARCH模型适合对GJR模型。
提示
您可以指定一个gjr
模型的构成条件均值和方差模型。有关详细信息,请参见华宇电脑
。
引用
[1]Glosten, l·R。,R. Jagannathan, and D. E. Runkle. “On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks.”《金融。48卷,5号,1993年,页1779 - 1801。
[2]-蔡,r S。金融时间序列的分析。第三。霍博肯,新泽西:约翰·威利& Sons Inc ., 2010年。
版本历史
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝app
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。