模拟
蒙特卡洛仿真条件方差模型
描述
例子
模拟GARCH模型条件差异和响应
模拟来自GARCH（1,1）模型的条件方差和响应路径。
使用已知参数指定GARCH（1,1）模型。
mdl = garch（'持续的'，0.01，'GARCH'，0.7，'拱'，0.2）;
模拟500个样品路径，每个样品路径为100个观察结果。
RNG.默认;重复性的％[v，y] =模拟（MDL，100，'numpaths'，500）;图形子图（2,1,1）绘制（v）标题（'模拟条件差异'）子图（2,1,2）绘图（Y）标题（'模拟响应'）
模拟响应看起来像静止随机过程中的绘制。
绘制模拟条件方差的2.5，50（中位数）和97.5百分位数。
较低=分子（V，2.5,2）;中间=中位数（v，2）;upper = proctile（v，97.5,2）;图绘图（1：100，较低，'r：'，1：100，中间，'K'那......1：100，上部，'r：'那'行宽'，2）传奇（'95％的间隔'那'中位'） 标题（'近似95％的间隔'）
由于对条件方差的积极约束，间隔是不对称的。
模拟eGARCH模型条件差异和响应
模拟来自Egarch（1,1）模型的条件方差和响应路径。
使用已知参数指定EGARCH（1,1）模型。
mdl = egarch（'持续的'，0.001，'GARCH'，0.7，'拱'，0.2，......'杠杆作用'，-0.3）;
模拟500个样品路径，每个样品路径为100个观察结果。
RNG.默认;重复性的％[v，y] =模拟（MDL，100，'numpaths'，500）;图形子图（2,1,1）绘制（v）标题（'模拟条件差异'）子图（2,1,2）绘图（Y）标题（'模拟响应（创新）'）
模拟响应看起来像静止随机过程中的绘制。
绘制模拟条件方差的2.5，50（中位数）和97.5百分位数。
较低=分子（V，2.5,2）;中间=中位数（v，2）;upper = proctile（v，97.5,2）;图绘图（1：100，较低，'r：'，1：100，中间，'K'那......1：100，上部，'r：'那'行宽'，2）传奇（'95％的间隔'那'中位'） 标题（'近似95％的间隔'）
由于对条件方差的积极约束，间隔是不对称的。
模拟GJR模型条件差异和响应
模拟来自GJR（1,1）模型的条件方差和响应路径。
使用已知参数指定GJR（1,1）模型。
mdl = gjr（'持续的'，0.001，'GARCH'，0.7，'拱'，0.2，......'杠杆作用'，0.1）;
模拟500个样品路径，每个样品路径为100个观察结果。
RNG.默认;重复性的％[v，y] =模拟（MDL，100，'numpaths'，500）;图形子图（2,1,1）绘制（v）标题（'模拟条件差异'）子图（2,1,2）绘图（Y）标题（'模拟响应（创新）'）
模拟响应看起来像静止随机过程中的绘制。
绘制模拟条件方差的2.5，50（中位数）和97.5百分位数。
较低=分子（V，2.5,2）;中间=中位数（v，2）;upper = proctile（v，97.5,2）;图绘图（1：100，较低，'r：'，1：100，中间，'K'那......1：100，上部，'r：'那'行宽'，2）传奇（'95％的间隔'那'中位'） 标题（'近似95％的间隔'）
由于对条件方差的积极约束，间隔是不对称的。
Monte-Carlo仿真预测有条件差异
模拟每日纳斯达克综合指数的条件差异返回500天。使用模拟进行预测，并近似95％的预测间隔。比较GARCH（1,1），EGARCH（1,1）和GJR（1,1）的预测。
加载工具箱中包含的NASDAQ数据。将索引转换为返回。
加载data_equityidx.纳斯达克= DataTable.nasdaq;r = price2ret（纳斯达克）;t =长度（r）;
适合GARCH（1,1），EGARCH（1,1）和GJR（1,1）模型到整个数据集。推断有条件的差异用作预测模拟的预先条件差异。
mdl = cell（3,1）;％preallocation.MDL {1} = GARCH（1,1）;mdl {2} = egarch（1,1）;MDL {3} = GJR（1,1）;estmdl = cellfun（@（x）estmate（x，r，'展示'那'离开'），MDL，......'统一输出'，错误的）;v0 = Cellfun（@（x）推断（x，r），estmdl，'统一输出'，错误的）;
estmdl.是3×1细胞矢量。每个单元是一种不同类型的估计条件方差模型，例如，estmdl {1}是估计的GARCH（1,1）模型。v0.是一个3×1个细胞矢量，每个细胞包含来自相应的估计模型的推断条件差异。
模拟1000个样本路径，每个样本都有500个观察结果。使用观察到的返回并将条件差异推断为预先数据。
VSIM = CELL（3,1）;％preallocation.为了J = 1：3 RNG默认;重复性的％vsim {j} =模拟（estmdl {j}，500，'numpaths'，1000，'e0'，r，'v0'，v0 {j}）;结尾
VSIM是一个3×1个细胞矢量，每个单元包含从相应的估计模型产生的500×1000矩阵的模拟条件差异。
绘制模拟平均预测和近似95％的预测间隔，以及从数据推断的条件方差。
较低= Cellfun（@（x）分色（x，2.5,2），VSIM，'统一输出'，错误的）;Upper = Cellfun（@（x）prctile（x，97.5,2），VSIM，'统一输出'，错误的）;Mn = Cellfun（@（x）均值（x，2），vsim，'统一输出'，错误的）;Datesplot =日期（结束 - 250：结束）;datesfh =日期（结束）+（1：500）';h =零（3,4）;数字为了j = 1：3 col =零（1,3）;Col（j）= 1;h（j，1）= plot（datesplot，v0 {j}（ex-250：结束），'颜色'，col）;抓住在h（j，2）= plot（datesfh，mn {j}，'颜色'，col，'行宽'，3）;h（j，3：4）= plot（[datesfh datesfh]，[下{j} upper {j}]，'：'那......'颜色'，col，'行宽'，2）;结尾HGCA = GCA;绘图（DatesFH（1）* [1 1]，HGCA.YLIM，'k-'）;dateTick;轴紧的;H = H（：，1：3）;传奇（H（:)，'GARCH - 推断'那'egarch-推断'那'GJR - 推断'那......'garch - sim。意思'那'egarch - sim。意思'那'gjr - sim。意思'那......'GARCH - 95％。int。'那'egarch - 95％。int。'那......'GJR - 95％。int。'那'地点'那'东北'） 标题（'模拟条件方差预测'） 抓住离开
输入参数
输出参数
参考文献
[1] Bollerslev，T。“广义归类疾病性瘢痕糕点”。中国经济学杂志。卷。31,1986，第307-327页。
[2] Bollerslev，T。“一个有条件的异源性时间序列模型，用于投机价格和回报率。”经济学与统计审查。卷。69,1987，第542-547页。
[3]盒子，G.E.P.，G.M. Jenkins和G. C. Reinsel。时间序列分析：预测和控制。3 ed。Englewood Cliffs，NJ：Prentice Hall，1994年。
[4]内酯，W。应用计量计量时间序列。霍博肯，NJ：John Wiley＆Sons，1995。
[5] Engle，R. F.“归类化条件异性瘢痕贴膜，估计联合王国通胀差异。”Moveryetrica.。卷。50,1982，pp。987-1007。
[6] Grosten，L. R.，R.Jagannathan和D. E. Runkle。“关于预期价值与标称超额股票的波动性关系。”财务杂志。卷。48，第5,1993，第5,199,PP。1779-1801。
[7]汉密尔顿，J.D。时间序列分析。普林斯顿，新泽：普林斯顿大学出版社，1994年。
[8]纳尔逊，D.B。“资产中的条件异质娱乐性回报：一种新方法。”Moveryetrica.。卷。59,1991，第347-370页。
也可以看看
对象
职能
您还可以从以下列表中选择一个网站：
