指定汇率的条件方差模型
这个例子展示了如何为从1984年1月到1991年12月观察到的每日德国马克/英镑汇率指定一个条件方差模型。
加载数据。
加载工具箱中包含的汇率数据。
负载Data_MarkPoundy =数据;T =长度(y);图图(y) h = gca;h.XTick = [1 659 1318 1975];h.XTickLabel = {1984年1月的,1986年1月的,1988年1月的,...1992年1月的};ylabel“汇率”;标题德国马克/英镑汇率;
汇率看起来不稳定(它似乎没有在一个固定水平上下波动)。
计算收益。
将级数转换为返回值。这就导致了第一次观测的丢失。
R = price2ret(y);图(2:T,r) h2 = gca;h2。XTick = [1 659 1318 1975];h2。XTickLabel = {1984年1月的,1986年1月的,1988年1月的,...1992年1月的};ylabel“返回”;标题“德国马克/英镑日收益”;
收益系列在一个共同水平附近波动,但表现出波动聚集。收益的大变化往往集中在一起,小变化也往往集中在一起。也就是说,该级数表现出条件异方差。
退货的频率相对较高。因此,每天的变化可以很小。为了数值的稳定性,缩放这样的数据是很好的做法。在这种情况下,将回报率缩放为百分比回报率。
R = 100* R;
检查自相关。
检查收益序列的自相关性。绘制样本ACF和PACF,并进行Ljung-Box q检验。
图subplot(2,1,1) autocorr(r) subplot(2,1,2) parcorr(r)
[h,p] = lbqtest(r,“滞后”,[5 10 15])
h =1x3逻辑阵列0 0 0
p =1×30.3982 0.7278 0.2109
样本ACF和PACF几乎没有显著的自相关。Ljung-Box q检验零假设,即直到被测滞后的所有自相关性为零,不被滞后5、10和15的检验拒绝。这表明条件平均模型是不需要这个回报系列。
检查条件异方差。
检查返回序列是否有条件异方差。绘制平方返回序列的样本ACF和PACF(居中后)。使用双滞后ARCH模型进行恩格尔的ARCH测试。
图次要情节(2,1,1)autocorr ((r-mean (r)) ^ 2)次要情节(2,1,2)parcorr ((r-mean (r)) ^ 2)。
[h,p] = archtest(r-mean(r),“滞后”, 2)
h =逻辑1
P = 0
平方收益的样本ACF和PACF表现出显著的自相关。这表明,具有滞后方差和滞后平方创新的GARCH模型可能适合于对该系列进行建模。恩格尔的ARCH检验拒绝原假设(H = 1
)没有ARCH效应,而支持具有两个滞后平方创新的替代ARCH模型。具有两个滞后创新的ARCH模型在局部上相当于GARCH(1,1)模型。
指定GARCH(1,1)模型。
基于自相关和条件异方差规范检验,指定具有平均偏移量的GARCH(1,1)模型:
与 而且
假设创新分布为高斯分布。
Mdl = garch(“抵消”南,“GARCHLags”, 1“ARCHLags”, 1)
描述:“garch(1,1)条件方差模型与偏移(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] Offset: NaN
创建的模型,Mdl
,已经南
指定GARCH(1,1)模型中所有未知参数的值。
您可以传递GARCH模型Mdl
而且r
成估计
估计参数。