估计条件均值和方差模型
这个例子展示了如何估计一个组合的条件均值和方差模型使用估计
.
加载和预处理数据
加载计量经济学工具箱™中包含的纳斯达克数据。将每日收盘价综合指数系列转换为回报系列。为了数值稳定,将收益转换为百分比收益。
负载Data_EquityIdx纳斯达克= dattable . nasdaq;R = 100*price2ret(纳斯达克);T =长度(r);
创建模型模板
创建一个AR(1)和GARCH(1,1)复合模型,其中具有表单
在哪里 而且 为iid标准化高斯过程。
VarMdl = garch(1,1)
描述:“garch(1,1)条件方差模型(高斯分布)”分布:名称= "高斯" P: 1 Q: 1常量:NaN GARCH: {NaN} at lag [1] ARCH: {NaN} at lag[1]偏移量:0
Mdl = arima(“ARLags”, 1“方差”VarMdl)
Mdl = arima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}滞后[1]SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0]方差:[GARCH(1,1)模型]
Mdl
是一个华宇电脑
用于估计的模型模板。南
的值性质Mdl
而且VarMdl
对应复合模型中未知的、可估计的系数和方差参数。
估计模型参数
将模型与返回序列拟合r
通过使用估计
.
EstMdl =估计(Mdl,r);
ARIMA(1,0,0)模型(高斯分布):Value StandardError TStatistic PValue ________ _____________ __________ __________ Constant 0.072632 0.018047 4.0245 5.7087e-05 AR{1} 0.13816 0.019893 6.945 3.7848e-12 GARCH(1,1)条件方差模型(高斯分布):Value StandardError TStatistic PValue ________ _____________ __________ __________ Constant 0.022377 0.0033201 6.7399 1.5851e-11 GARCH{1} 0.87312 0.0091019 95.927 0 ARCH{1} 0.11865 0.008717 13.611 3.434e-42
EstMdl
是完全指定的华宇电脑
模型。
估计显示显示了五个估计参数及其相应的标准误差(AR(1)条件均值模型有两个参数,GARCH(1,1)条件方差模型有三个参数)。
拟合模型(EstMdl
)是
所有 统计值大于2,说明所有参数具有统计学意义。
动态模型需要预样本观测数据,用于初始化模型。如果您不指定预样本观测值,估计
默认生成。
推断条件方差和残差
推断并绘制条件方差和标准化残差。输出对数似然目标函数值。
[res,v,logL] = infer(EstMdl,r);图subplot(2,1,1) plot(v) xlim([0,T])“有条件的差异”次要情节(2,1,2)情节> /√(v) xlim ([0, T])标题(标准化残差的)
观察2000年后,条件方差增加。这一结果与原始收益系列中出现的波动性增加相对应。
在标准正态分布下,标准化残差具有比预期更大的值(绝对值大于2或3)。这个结果表明学生的 分布可以更适合于创新分布。
拟合模型t创新分布
创建一个模型模板Mdl
,并指定其创新有一个学生
分布。
MdlT = Mdl;MdlT。分布=“t”;
MdlT
有一个额外的参数估计:
分布自由度。
将新模型拟合到纳斯达克收益系列中。指定方差模型常数项的初始值。
方差0 = {“Constant0”0.001};EstMdlT =估计(MdlT,r,“Variance0”, Variance0);
ARIMA(1,0,0)模型(t分布):Value standderror TStatistic PValue ________ _____________ __________ __________ Constant 0.093488 0.016694 5.6002 2.1414e-08 AR{1} 0.13911 0.018857 7.3771 1.6175e-13 DoF 7.4775 0.88261 8.472 2.4126e-17 GARCH(1,1)条件方差模型(t分布):值standderror TStatistic PValue ________ _____________ __________ __________ Constant 0.011246 0.0036305 3.0976 0.0019511 GARCH{1} 0.90766 0.010516 86.315 0 ARCH{1} 0.089897 0.010835 8.2966 1.0712e-16 DoF 7.4775 0.88261 8.472 2.4126e-17
之间的系数估计EstMdl
而且EstMdlT
略有不同。自由度估计相对较小(约为8),这表明显著偏离正态。
比较模型拟合
总结估计模型。从总结中得到估计参数的个数和第二次拟合的对数似然目标函数值。
Summary = Summary (EstMdl);SummaryT = summary (EstMdlT);numparams = Summary.NumEstimatedParameters;numparamsT = summary . numestimatedparameters;logLT = summary . loglikelihood;
比较两种模型的拟合(高斯和 创新分布)采用赤池信息准则(AIC)和贝叶斯信息准则(BIC)。
[numparams numparamsT]
ans =1×25个6
[aic,bic] = aicbic([logL logLT],[numparams numparamsT],T)
aic =1×2103.× 9.4929 9.3807
bic =1×2103.× 9.5230 9.4168
第一个模型有六个拟合参数,而第二个模型有六个(因为它包含 分布自由度)。尽管存在这种差异,但两种信息标准都倾向于学生的模型 创新分布,因为它产生的AIC和BIC值小于高斯创新模型。