egarch
EGARCH条件方差时间序列模型
描述
使用egarch
指定一个单变量EGARCH模型(指数广义自回归条件异方差的)。的egarch
函数返回一个egarch
对象指定的函数形式EGARCH (P,问)模型标签,并将参数值。
一个关键组成部分egarch
模型包括:
GARCH多项式由滞后,记录条件方差。用程度P。
拱多项式,由标准化创新滞后的大小。
利用多项式,由滞后标准化创新。
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
创建一个零度的条件方差Mdl
= egarchegarch
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EGARCH(1,2)模型包含未知参数值,输入:
Mdl = egarch (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®包括所有连续记录条件方差从滞后t- 1通过滞后t- - - - - -P
。
您可以指定这个参数使用egarch
(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:egarch (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包括所有大小的标准化创新(拱多项式)和所有标准化的创新(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egarch
(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:egarch (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EGARCH(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EGARCH(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 = egarch (“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egarch
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egarch
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)|数字标量
条件方差模型常数,指定为一个数值标量或南
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,egarch
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,egarch
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,egarch
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。egarch
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。egarch
存储值作为字符串标量。默认值描述模型的参数形式,例如“EGARCH(1,1)条件方差模型(高斯分布)”
。
数据类型:字符串
|字符
SeriesName
- - - - - -反应级数的名字
字符串标量|特征向量|“Y”
自从R2023a
响应系列名称,指定为字符串标量或特征向量。egarch
存储值作为字符串标量。
例子:“StockReturn”
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egarch
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
创建默认的EGARCH模型
创建一个默认的egarch
模型对象,并指定其参数值使用点符号。
创建一个EGARCH(0,0)模型。
Mdl = egarch
Mdl = egarch和属性:描述:“egarch(0,0)条件方差模型(高斯分布)”SeriesName: "Y" Distribution: Name = "Gaussian" P: 0 Q: 0 Constant: NaN GARCH: {} ARCH: {} Leverage: {} Offset: 0
Mdl
是一个egarch
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、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。leverage = {NaN NaN}; Mdl
Mdl = egarch和属性:描述:“egarch(0, 2)条件方差模型(高斯分布)”SeriesName: "Y" Distribution: 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EGARCH模型
创建一个egarch
模型对象使用速记符号egarch (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EGARCH(2)模型。
Mdl = egarch (2)
Mdl = egarch和属性:描述:“egarch(3 2)条件方差模型(高斯分布)”SeriesName: "Y" Distribution: 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egarch
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
指定唯一的EGARCH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EGARCH模型
创建一个egarch
使用名称-值对模型对象参数。
指定一个EGARCH(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
。包括一个杠杆。
Mdl = egarch (“GARCHLags”,1“ARCHLags”,1“LeverageLags”,1“抵消”南)
Mdl = egarch属性:描述:“条件方差egarch(1,1)模型与补偿(高斯分布)”SeriesName: "Y" Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: NaN GARCH: {NaN} at lag [1] ARCH: {NaN} at lag [1] Leverage: {NaN} at lag [1] Offset: NaN
Mdl
是一个egarch
模型对象。软件设置所有参数南
,除了P
,问
,分布
。
自Mdl
包含南
值,Mdl
只适合估计。通过Mdl
和时间序列数据估计
。
创建EGARCH模型与已知系数
创建一个EGARCH(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 = egarch (“不变”,0.0001,“四国”,0.75,…“拱”,0.1,“抵消”,0.5,“杠杆”0.01,-0.3 {0})
Mdl = egarch和属性:描述:“egarch(1、3)条件方差模型和偏移(高斯分布)”SeriesName: "Y" Distribution: Name = "Gaussian" P: 1 Q: 3 Constant: 0.0001 GARCH: {0.75} at lag [1] ARCH: {0.1} at lag [1] Leverage: {-0.3 0.01} at lags [1 3] Offset: 0.5
egarch
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”,{-0.3 - 0.01},“LeverageLags”, [1 3]
。
访问EGARCH模型属性
访问的属性创建egarch
使用点符号模型对象。
创建一个egarch
模型对象。
Mdl = egarch (2)
Mdl = egarch和属性:描述:“egarch(3 2)条件方差模型(高斯分布)”SeriesName: "Y" Distribution: 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 = egarch和属性:描述:“egarch(3 2)条件方差模型(高斯分布)”SeriesName: "Y" Distribution: 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 = egarch和属性:描述:“egarch(3 2)条件方差模型(t分布)”SeriesName: "Y" Distribution: 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 = egarch和属性:描述:“egarch(3 2)条件方差模型(t分布)”SeriesName: "Y" Distribution: 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EGARCH模型
适合的年度时间序列EGARCH模型来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(RN
)。
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,假设一个EGARCH(1,1)模型是适合这个系列。
创建一个EGARCH(1,1)模型。默认条件均值偏移量为零。估计抵消,指定南
。包括利用滞后。
Mdl = egarch (“GARCHLags”,1“ARCHLags”,1“LeverageLags”,1“抵消”、南);
适合EGARCH(1,1)模型的数据。
EstMdl =估计(Mdl、nr);
条件方差EGARCH(1,1)模型与补偿(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ _____常数-0.62723 0.74401 -0.84304 0.3992 GARCH{1} 0.77419 0.23628 3.2766 0.0010508弓{1}0.38636 0.37361 1.0341 0.30107利用{1}抵消0.10325 0.037727 2.7368 0.98963 -0.002499 0.19222 -0.013001 0.0062047
EstMdl
是一个完全指定的egarch
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EGARCH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egarch
模型对象。也就是说,从估计模拟egarch
模型或一个已知的egarch
模型中指定参数值。
加载Data_Danish
数据集。
负载Data_Danish;rn = DataTable.RN;
创建一个EGARCH(1,1)模型与一个未知的条件意味着抵消。符合模型的年度,名义返回系列。包括一个杠杆。
Mdl = egarch (“GARCHLags”,1“ARCHLags”,1“LeverageLags”,1“抵消”、南);rn EstMdl =估计(Mdl);
条件方差EGARCH(1,1)模型与补偿(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ _____常数-0.62723 0.74401 -0.84304 0.3992 GARCH{1} 0.77419 0.23628 3.2766 0.0010507弓{1}0.38636 0.37361 1.0341 0.30107利用{1}抵消0.10325 0.037727 2.7368 0.98963 -0.002499 0.19222 -0.013001 0.0062047
模拟100路径的条件方差估计EGARCH模型和响应。
numObs =元素个数(rn);%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”);
预测EGARCH模型条件方差
预测从完全指定的条件方差egarch
模型对象。也就是说,从估计预测egarch
模型或一个已知的egarch
模型中指定参数值。的例子如下估计EGARCH模型。
加载Data_Danish
数据集。
负载Data_Danish;nr = DataTable.RN;
创建一个EGARCH(1,1)模型与一个未知的条件意味着抵消和包括杠杆。符合年度名义返回系列模型。
Mdl = egarch (“GARCHLags”,1“ARCHLags”,1“LeverageLags”,1“抵消”、南);EstMdl =估计(Mdl、nr);
条件方差EGARCH(1,1)模型与补偿(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ _____常数-0.62723 0.74401 -0.84304 0.3992 GARCH{1} 0.77419 0.23628 3.2766 0.0010508弓{1}0.38636 0.37361 1.0341 0.30107利用{1}抵消0.10325 0.037727 2.7368 0.98963 -0.002499 0.19222 -0.013001 0.0062047
名义收益率的条件方差预测系列10年后的未来使用EGARCH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
EGARCH模型
一个EGARCH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。
EGARCH模型假定当前的条件方差之和是线性的过程:
过去的记录条件方差(GARCH组件或多项式)
震级过去的标准化创新(拱组件或多项式)
过去的标准化创新(杠杆组件或多项式)
考虑时间序列
在哪里 EGARCH (P,问)条件方差的过程, 的形式,
表显示了变量对应的属性egarch
对象。
变量 | 描述 | 财产 |
---|---|---|
μ | 创新意味着模型常数抵消 | “抵消” |
κ | 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” |
如果zt是高斯,那么
如果zt是t分布与ν> 2自由度
确保固定EGARCH模型,所有GARCH滞后算子多项式的根, ,必须之外的单位圆。
EGARCH模型是独一无二的GARCH和GJR模型由于模型的对数方差。通过建模对数,积极约束模型参数是放松。然而,预测的条件方差EGARCH模型是有偏见的,因为通过詹森不等式,
EGARCH模型时适当大小相等,不贡献的正面和负面的冲击同样波动[1]。
提示
你可以指定一个
egarch
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
。一个EGARCH(1,1)规范对于大多数应用程序足够复杂。通常在这些模型中,GARCH和拱系数是正数,杠杆系数是负的。如果你有这些症状,那么大的意外下行冲击增加方差。如果你得到相反的迹象迹象表明预计,遇到困难可以推断波动序列和预测。消极的拱系数是有问题的。在这种情况下,EGARCH模型为您的应用程序可能不是最好的选择。
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
介绍了R2012aR2023a:名字EGARCH模型反应级数
你可以命名EGARCH模型通过设置的反应级数SeriesName
房地产相关模型的一个字符串标量。当你提供输入响应数据模型对象函数在一个表或时间表,函数选择的变量名称SeriesName
在默认情况下作为响应变量。
R2018a:描述一个EGARCH模型
描述一个EGARCH模型通过设置描述
属性字符串标量。
R2018a:使用符合指标MATLAB单元阵列索引
细胞阵列滞后算子多项式系数的指数遵循MATLAB单元阵列索引规则。
影响模型属性GARCH
,拱
,利用
属性。
你不能访问任何lag-zero系数使用的索引
0
。例如,Mdl.AR {0}
一个错误的问题。删除任何指数为0的实例代码。所有lag-zero系数的值
1
除了滞后算子多项式对应拱
属性,该属性的值0
。你不能超出了多项式最大滞后指数。例如,如果
Mdl.P
4,那么Mdl.ARCH {p}
一个错误的问题时p
大于4
。详情的最大滞后延迟算子多项式,看到相应的属性描述。删除任何指标超出了最大滞后的实例代码。以外的所有系数最大滞后
0
。
作为字符串标量模型商店创新名称
的的名字
场的分布
的属性egarch
模型对象存储创新作为字符串标量分布的名字,例如,“高斯”
对高斯的创新。
R2018a之前,MATLAB创新分布存储名称作为特征向量,为例“高斯”
对高斯的创新。尽管大多数文本数据操作接受特征向量和字符串标量文本数据输入,两者之间有一些差异数据类型。更多细节,请参阅文本字符串和字符数组。
Beispiel offnen
您有一张这本Beispiels geanderte版本。您这本Beispiel麻省理工学院古老Anderungen offnen吗?
MATLAB-Befehl
您有窗户的链接geklickt,汪汪汪der diesem MATLAB-Befehl entspricht:
在das MATLAB-Befehlsfenster Fuhren您窝Befehl军队Eingabe来自。浏览器unterstutzen MATLAB-Befehle。
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。