模拟
ARIMA或ARIMAX模型的蒙特卡罗模拟
描述
例子
从ARIMA模型模拟响应路径
考虑ARIMA(4,1,1)模型
在哪里 为均值为0,方差为1的高斯变换序列。
创建ARIMA(4,1,1)模型。
Mdl = arima(基于“增大化现实”技术的, -0.75,“ARLags”4“马”, 0.1,...“不变”2,“方差”,1)
Mdl = arima属性:描述:“arima(4,0,1)模型(高斯分布)”分布:名称= "高斯" P: 4 D: 0 Q: 1常数:2 AR:{-0.75}在滞后[4]SAR: {} MA:{0.1}在滞后[1]SMA:{}季节性:0 Beta: [1×0]方差:1
Mdl
是完全指定的华宇电脑
表示ARIMA(4,1,1)模型的对象。
从ARIMA(4,1,1)模型中模拟一个100周期的随机响应路径。
rng (1)%用于再现性y =模拟(Mdl,100);
y
是包含随机响应路径的100 × 1向量。
绘制模拟路径。
情节(y) ylabel (“y”)包含(“时间”)
模拟预测器和响应
模拟三个预测序列和一个响应序列。
为建模的三个预测器系列中的每一个指定并模拟长度为20的路径
在哪里 服从均值为0,方差为0.01的高斯分布 ={1,2,3}。
[MdlX1,MdlX2,MdlX3] = deal(arima(基于“增大化现实”技术的, 0.2,“马”,...{0.5, -0.3},“不变”2,“方差”, 0.01));rng (4);%用于再现性simX1 =模拟(MdlX1,20);simX2 =模拟(MdlX2,20);simX3 =模拟(MdlX3,20);SimX = [simX1 simX2 simX3];
为建模的响应系列指定并模拟长度为20的路径
在哪里 服从均值为0,方差为1的高斯分布。
mly = arima(基于“增大化现实”技术的,{0.05 -0.02 0.01},“马”,...{0.04, 0.01},' D ', 1“不变”, 0.5,“方差”, 1...“β”,[0.5 -0.03 -0.7]);simmy =模拟(MdlY,20,“X”, SimX);
把级数画在一起。
图表([SimX simmy])“模拟系列”)传说(“{X_1}”,“{X_2}”,“{X_3}”,“Y”)
使用模拟预测过程
用蒙特卡罗模拟预测每日纳斯达克综合指数。
加载工具箱中包含的NASDAQ数据。提取前1500个观测值进行拟合。
负载Data_EquityIdxnasdaq = dattable . nasdaq (1:1500);N =长度(纳斯达克);
指定,然后拟合ARIMA(1,1,1)模型。
纳斯达克模型= arima(1,1,1);NasdaqFit =估计(纳斯达克模型,纳斯达克);
ARIMA(1,1,1)模型(高斯分布):Value StandardError TStatistic PValue _________ _____________ __________ __________ Constant 0.43031 0.18555 2.3191 0.020392 AR{1} -0.074391 0.081985 -0.90737 0.36421 MA{1} 0.31126 0.077266 4.0284 5.6158e-05方差27.826 0.63625 43.735 0
模拟1000条路径,每条路径有500个观测值。用观测数据作为预样数据。
rng默认的;Y =模拟(纳斯达克指数,500,“NumPaths”, 1000,“Y0”,纳斯达克);
绘制模拟平均预测和近似95%预测区间。
lower = prctile(Y,2.5,2);upper = prctile(Y,97.5,2);mn = mean(Y,2);图绘制(纳斯达克,“颜色”, 7, 7, 7)在H1 = plot(n+1:n+500,lower,“:”,“线宽”2);情节(n + 1: n + 500,上,“:”,“线宽”,2) h2 = plot(n+1:n+500,mn,“k”,“线宽”2);传奇((h1 h2),“95%间隔”,“模拟的意思”,...“位置”,“西北”)标题(“纳斯达克综合指数预测”)举行从
模拟响应和创新
从乘法季节模型模拟响应和创新路径。
指定模型
在哪里 服从均值为0,方差为0.1的高斯分布。
Mdl = arima(“马”, -0.5,SMA的, 0.3,...“SMALags”12' D ', 1“季节性”12...“方差”, 0.1,“不变”, 0);
模拟500条路径,每条路径有100个观测值。
rng默认的%用于再现性[Y,E] =模拟(Mdl,100,“NumPaths”, 500);图次要情节(2,1,1);情节(Y)标题(“模拟响应”次要情节(2,1,2);情节(E)标题(“模仿创新”)
绘制模拟响应路径的2.5、50(中位数)和97.5个百分位。
lower = prctile(Y,2.5,2);middle =中位数(Y,2);upper = prctile(Y,97.5,2);图绘制(1:10 0,降低,“:”1:10 0,中间,“k”,...1:10 0,上,“:”)传说(“95%间隔”,“中值”)
计算跨第二个维度(跨路径)的统计信息,以总结示例路径。
绘制时间为100的模拟路径的直方图。
图直方图(Y(100,:),10)“100时刻的响应分布”)
输入参数
名称-值参数
指定可选参数对为Name1 = Value1,…,以=家
,在那里的名字
参数名称和价值
对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。
在R2021a之前,使用逗号分隔每个名称和值,并将其括起来的名字
在报价。
例子:模拟(Mdl 10 NumPaths = 1000, Y0 = Y0)
模拟1000
长度样本路径10
来自ARIMA模型Mdl
的观测结果y0
作为初始化每个生成路径的预示例。
Y0
- - - - - -预采样响应数据
数值列向量|数字矩阵
预采样响应数据用作模型的初始值,指定为数值列向量或数值矩阵。
每行Y0
对应于预样本中的一个周期。以下条件适用:
最后一行包含最新的预示例响应。
要初始化AR组件,
Y0
至少要有Mdl。P
行。如果
Y0
具有比初始化模型所需的行多的行,模拟
仅使用所需的最新行。
的每一列Y0
对应于一个独立的预采样路径。以下条件适用:
如果
Y0
是一个列向量,模拟
将其应用到每个路径。在这种情况下,所有路径的AR分量和条件方差模型Y
从常见的初始反应中得出结论。如果
Y0
是一个矩阵,模拟
适用于Y0 (:,
初始化路径j
)j
.Y0
至少要有NumPaths
列;模拟
只使用第一个NumPaths
列Y0
.
默认情况下,模拟
使用以下方法之一设置任何必要的预采样观测值:
对于一个具有平稳AR过程且没有回归分量的模型,
模拟
将所有预采样响应设置为模型的无条件平均值。对于表示非平稳过程或包含回归成分的模型,
模拟
将所有必要的预采样响应设置为零。
数据类型:双
E0
- - - - - -预样本创新数据
数值列向量|数字矩阵
预采样创新数据用于初始化ARIMA模型或条件方差模型的移动平均(MA)组件,指定为数值列向量或数值矩阵。模拟
假设预样本创新的均值为零。
每行E0
对应于预样本中的一个周期。以下条件适用:
最后一行包含最新的样品创新。
为了初始化MA组件,
E0
至少要有Mdl。问
行。如果
Mdl。Variance
条件方差模型(例如garch
模型对象),E0
可以要求比Mdl。问
初始化模型。如果
E0
具有比初始化模型所需的行多的行,模拟
仅使用所需的最新行。
的每一列E0
对应于一个独立的预采样路径。以下条件适用:
如果
E0
是一个列向量,模拟
将其应用于每个模拟路径。在这种情况下,所有路径的MA分量和条件方差模型Y
源自相同的初始创新。如果
E0
是一个矩阵,模拟
适用于E0 (:,
初始化模拟路径j
)j
.E0
至少要有NumPaths
列;模拟
只使用第一个NumPaths
列E0
.
默认情况下,模拟
设置所有必要的预设创新0
.
数据类型:双
半
- - - - - -预采样条件方差数据
正数值列向量|正数值矩阵
预采样条件方差数据,用于初始化条件方差模型,指定为正数值列向量或正数值矩阵。如果条件方差Mdl。Variance
是常数,模拟
忽略了半
.
每行半
对应于预样本中的一个周期。以下条件适用:
最后一行包含最新的预采样条件方差。
为了初始化条件方差模型,
半
必须有足够的行。详细信息请参见模拟
条件方差模型的函数。如果
半
具有比初始化条件方差模型所需的行多的行,模拟
仅使用所需的最新行。
的每一列半
对应于一个独立的预采样路径。以下条件适用:
如果
半
是一个列向量,模拟
将其应用于每个模拟路径。如果
半
是一个矩阵,模拟
适用于半:,
初始化模拟路径j
)j
.半
至少要有NumPaths
列;模拟
只使用第一个NumPaths
列半
.
默认情况下,模拟
将所有必要的预样本观测值设置为条件方差过程的无条件方差。
数据类型:双
X
- - - - - -外源预测数据
数字矩阵
请注意
南
输入数据中的S表示缺失值。模拟
使用listwise删除删除输入数据中包含至少一个缺失值的所有采样时间(行)。具体地说,模拟
执行以下步骤:同步或合并预采样数据集
E0
,半
,Y0
要创建集合Presample
.删除所有行。
Presample
预测数据X
至少包含一个南
.
应用于样本内数据的列表删除可以减少样本大小并创建不规则时间序列。
模拟
假设您同步预测器系列,使最近的观测同时发生。该软件还假定您以类似方式同步预样本系列。
输出参数
参考文献
[1]博克斯,乔治·e·P,格温林·m·詹金斯,格里高利·c·赖塞尔。时间序列分析:预测与控制.恩格尔伍德悬崖,新泽西州:普伦蒂斯大厅,1994年。
[2]恩德斯,沃尔特。应用计量经济学时间序列.霍博肯,新泽西州:约翰·威利父子公司,1995年。
[3]汉密尔顿,詹姆斯D。时间序列分析.普林斯顿,新泽西州:普林斯顿大学出版社,1994。
版本历史
在R2012a中引入
Abrir比如
Tiene una versión modificada de este ejemplo。¿Desea abrir este ejemplo con sus modificaciones?
MATLAB突击队
Ha hecho clic en unenlace que对应一个este commando de MATLAB:
弹射突击队introduciéndolo en la ventana de commandos de MATLAB。Los navegadores web no permission comandos de MATLAB。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。