指定条件均值和方差模型
此示例展示了如何使用华宇电脑
.
加载数据
加载工具箱中包含的纳斯达克数据。将每日收盘综合指数系列转换为收益系列。
负载Data_EquityIdxReturnsTbl = price2ret(数据表);T = height(ReturnsTbl);图(ReturnsTbl.NASDAQ)轴紧标题(“纳斯达克每日回报”)
回报率似乎在一个恒定的水平上下波动,但表现出波动性聚集。收益的大变化趋向于聚集在一起,小变化趋向于聚集在一起。也就是说,序列表现出条件异方差。
回报的频率相对较高。因此,每天的变化可以很小。为了数值稳定性,对此类数据进行缩放是一种很好的做法。
将该系列按100进行缩放,并以百分比回报为中心。
ReturnsTbl。Residuals_NASDAQ = 100*(ReturnsTbl.)NASDAQ - mean(ReturnsTbl.NASDAQ));
检查自相关性
绘制残差序列的样本自相关函数(ACF)和部分自相关函数(PACF)。调整 -轴,以弥补滞后0相关性的图饱和。
图tiledlayout(2,1) nexttile autocorr(ReturnsTbl, datvariable = .“Residuals_NASDAQ”) h = gca;h.YLim(end) = 0.15;nexttile parcorr (ReturnsTbl DataVariable =“Residuals_NASDAQ”) h = gca;h.YLim(end) = 0.15;
自相关函数表明在滞后1和几个更高的滞后处存在显著的自相关。
检验自相关的显著性
在滞后5时进行Ljung-Box q测试。
StatTbl = lbqtest(ReturnsTbl,数据变量=“Residuals_NASDAQ”滞后= 5)
StatTbl =表1×7h pValue stat cValue滞后α景深 _____ ________ ______ ______ ____ _____ ___ 真正测试1 0.011956 14.652 11.07 0.05 5
拒绝所有自相关为0直至滞后5的零假设(H = 1
).
检查条件异方差。
绘制回归平方序列的样本ACF和PACF。
图tiledlayout(2,1) nexttile autocorr(returnstblr . residuals_nasdaq .^2) nexttile parcorr(returnstblr . residuals_nasdaq .^2)
自相关函数表现出显著的序列依赖性,表明序列是有条件异方差的。
显著ARCH效应检验
进行恩格尔弓试验。用两个滞后的ARCH模型(局部等价于GARCH(1,1)模型)的备择假设检验无条件异方差的原假设。
StatTbl = archtest(ReturnsTbl, datvariable =“Residuals_NASDAQ”滞后= 2)
StatTbl =1×6表h pValue stat cValue滞后α _____ ______ ______ ______ ____ _____ 测试1真的0 399.97 0.05 5.9915 - 2
零假设被替代假设(H = 1
).
指定一个条件均值和方差模型。
指定一个AR(1)模型来表示以中心为中心的纳斯达克百分比回报的条件均值,并指定一个GARCH(1,1)模型来表示条件方差。这是一个模型
在哪里 ,
和 是一个独立的同分布的标准化高斯过程。
CondVarMdl = garch(1,1);Mdl = arima(arlag =1,方差=CondVarMdl)
Mdl = arima与属性:描述:" arima(1,0,0)模型(高斯分布)"分布:名称=“高斯”P: 1 D: 0 Q: 0常数:NaN AR: {NaN} at lag [1] SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0]方差:[GARCH(1,1)模型]
模型输出显示agarch
模型存储在方差
的性质华宇电脑
模型中,Mdl
.