garch
GARCH条件方差时间序列模型
描述
使用garch
指定一个单变量GARCH模型(广义自回归条件异方差的)。的garch
函数返回一个garch
对象指定的函数形式GARCH (P,问)模型标签,并将参数值。
的关键部件garch
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。用程度问。
P和问是最大的非零落后GARCH和拱多项式族,分别。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
= garchgarch
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GARCH(1, 2)模型包含未知参数值,输入:
Mdl = garch (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garch
(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:garch (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包括所有方创新从滞后t- 1通过滞后t- - - - - -问
。
您可以指定这个参数使用garch
(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:garch (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}
指定一个GARCH(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。
假设所有拱系数(指定的拱
属性)是积极的南
值,马克斯(ARCHLags)
确定的价值问
财产。
例子:“ARCHLags”, [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,创建一个GARCH(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 = garch (“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garch
使用GARCHLags
来确定P
代替。否则,
P
是0
。
数据类型:双
问
- - - - - -拱多项式程度
非负整数
这个属性是只读的。
拱多项式学位,指定为一个非负整数。问
在拱的最大延迟多项式的系数是正的还是南
。不到的滞后问
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(假设最大的滞后系数是正的南
):
如果您指定
ARCHLags
,然后问
是最大的指定的延迟。如果您指定
拱
,然后问
是指定的元素的数量值。如果你指定ARCHLags
,然后garch
使用它的价值来确定问
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,garch
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
是一个元素个数(ARCHLags)
1细胞向量南
值。
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,garch
不包括系数及其相应的滞后ARCHLags
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。garch
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。garch
存储值作为字符串标量。默认值描述模型的参数形式,例如“GARCH(1,1)条件方差模型(高斯分布)”
。
例子:“描述”、“模式1”
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garch
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。
对象的功能
例子
创建默认的GARCH模型
创建一个默认的garch
模型对象,并指定其参数值使用点符号。
创建一个GARCH(0,0)模型。
Mdl = garch
Mdl = garch的属性:描述:“garch(0,0)条件方差模型(高斯分布)”分布: Name = "Gaussian" P: 0 Q: 0 Constant: NaN GARCH: {} ARCH: {} Offset: 0
Mdl
是一个garch
模型。它包含一个未知常数,其抵消0
,创新分布“高斯”
。没有GARCH模型或拱门多项式。
指定两个未知拱系数用于滞后一个和两个使用点符号。
Mdl。一个RCH = {NaN NaN}
Mdl = garch的属性:描述:“garch(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] Offset: 0
的问
和拱
属性更新2
和{南南}
。这两个拱系数与滞后1和2相关联。
使用简写语法创建GARCH模型
创建一个garch
模型使用速记符号garch (P, Q)
,在那里P
GARCH多项式和的程度吗问
拱度的多项式。
创建一个GARCH(2)模型。
Mdl = garch (2)
Mdl = garch的属性:描述:“garch(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] Offset: 0
Mdl
是一个garch
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
)包括所有滞后的拱和GARCH lag-operator多项式滞后
问
和P
分别
Mdl
指定唯一的GARCH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GARCH模型
创建一个garch
使用名称-值对模型参数。
指定一个GARCH(1,1)模型。默认情况下,这个条件是模型抵消为零。指定偏移量南
。
Mdl = garch (“GARCHLags”,1“ARCHLags”,1“抵消”南)
Mdl = garch的属性:描述:“garch(1,1)条件方差模型与补偿(高斯分布)”分布: Name = "Gaussian" P: 1 Q: 1 Constant: NaN GARCH: {NaN} at lag [1] ARCH: {NaN} at lag [1] Offset: NaN
Mdl
是一个garch
模型对象。软件设置所有参数(模型对象的属性)南
,除了P
,问
,分布
。
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GARCH模型与已知系数
创建一个GARCH(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 = garch (“不变”,0.0001,“四国”,0.75,…“拱”,0.1,“抵消”,0.5)
Mdl = garch的属性:描述:“garch(1,1)条件方差模型与补偿(高斯分布)”分布: Name = "Gaussian" P: 1 Q: 1 Constant: 0.0001 GARCH: {0.75} at lag [1] ARCH: {0.1} at lag [1] Offset: 0.5
garch
指定默认值与名称-值对您没有指定任何属性参数。
访问GARCH模型属性
访问的属性garch
使用点符号模型对象。
创建一个garch
模型对象。
Mdl = garch (2)
Mdl = garch的属性:描述:“garch(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] 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 = garch的属性:描述:“garch(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] 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,底层I.I.D.干扰t分布与五自由度。
Mdl.Distribution=struct(“名字”,“t”,“景深”5)
Mdl = garch的属性:描述:“garch(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] Offset: 0
指定拱门第一滞后系数是0.2和0.1第二滞后。
Mdl。一个RCH = {0.2 0.1}
Mdl = garch的属性:描述:“garch(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] Offset: 0
估计剩下的参数,可以通过Mdl
和你的数据估计
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GARCH模型
适合GARCH模型族的年度时间序列的丹麦名义股票收益从1922 - 1999。
加载Data_Danish
数据集。情节的名义回报(nr
)。
负载Data_Danish;nr = DataTable.RN;图;情节(日期、nr);持有在;情节([日期(1)日期(结束)],[0 0),“:”);%情节y = 0持有从;标题(“丹麦名义股票收益”);ylabel (的名义收益率(%));包含(“年”);
名义返回系列似乎有非零的条件意味着抵消和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GARCH(1,1)模型是适合这个系列。
创建一个GARCH(1,1)模型。默认条件均值偏移量为零。估计抵消,指定南
。
Mdl = garch (“GARCHLags”,1“ARCHLags”,1“抵消”、南);
符合GARCH(1,1)模型的数据。
EstMdl =估计(Mdl、nr);
GARCH(1,1)条件方差模型与补偿(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ _____常数0.0044476 0.007814 0.56918 0.56923 GARCH{1} 0.84932 0.26495 3.2056 0.0013477弓{1}抵消0.11227 0.039214 2.8629 0.62423 0.07325 0.14953 0.48986 0.0041974
EstMdl
是一个完全指定的garch
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GARCH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garch
模型对象。也就是说,从估计模拟garch
模型或一个已知的garch
模型中指定参数值。
加载Data_Danish
数据集。
负载Data_Danish;nr = DataTable.RN;
创建一个GARCH(1,1)模型与一个未知的条件意味着抵消。符合年度名义返回系列模型。
Mdl = garch (“GARCHLags”,1“ARCHLags”,1“抵消”、南);EstMdl =估计(Mdl、nr);
GARCH(1,1)条件方差模型与补偿(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ _____常数0.0044476 0.007814 0.56918 0.56923 GARCH{1} 0.84932 0.26495 3.2056 0.0013477弓{1}抵消0.11227 0.039214 2.8629 0.62423 0.07325 0.14953 0.48986 0.0041974
100年模拟路径的条件方差和响应每一段估计GARCH模型。
numObs =元素个数(nr);%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。
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”);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”);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”);
条件方差预测GARCH模型
预测从完全指定的条件方差garch
模型对象。也就是说,从估计预测garch
模型或一个已知的garch
模型中指定参数值。的例子如下估计GARCH模型。
加载Data_Danish
数据集。
负载Data_Danish;nr = DataTable.RN;
创建一个GARCH(1,1)模型与一个未知的条件意味着抵消,并符合模型的年度,名义返回系列。
Mdl = garch (“GARCHLags”,1“ARCHLags”,1“抵消”、南);EstMdl =估计(Mdl、nr);
GARCH(1,1)条件方差模型与补偿(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ _____常数0.0044476 0.007814 0.56918 0.56923 GARCH{1} 0.84932 0.26495 3.2056 0.0013477弓{1}抵消0.11227 0.039214 2.8629 0.62423 0.07325 0.14953 0.48986 0.0041974
名义收益率的条件方差预测系列10年后的未来使用GARCH模型估计。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, nr);
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 nr);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(名义回报率的预测条件方差);ylabel (“有条件的差异”);包含(“年”);传奇({“估计样品电导率。var。,预测电导率。var。},…“位置”,“最佳”);
更多关于
GARCH模型
一个GARCH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。
GARCH模型假定当前的条件方差之和是线性的过程,每一项的系数:
过去的条件方差(GARCH组件或多项式)
过去的平方创新(拱组件或多项式)
不断创新均值和条件方差模型的补偿
考虑时间序列
在哪里 GARCH (P,问)条件方差的过程, 的形式,
在滞后算子符号模型
表显示了变量对应的属性garch
模型对象。
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” |
GARCH分量系数 | “四国” |
|
拱分量系数 | “拱” |
|
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,GARCH模型使用这些约束:
恩格尔的原始拱(问)模型相当于GARCH (0,问)规范。
GARCH模型是适当的时候正面和负面冲击同等幅度的贡献同样波动[1]。
提示
您可以指定一个garch
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]-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。