这个例子展示了如何指定一个复合条件均值和方差模型阿玛玛
。
加载工具箱中包含的NASDAQ数据。将每日关闭复合索引系列转换为百分比返回系列。
加载Data_EquityIdx纳斯达克= DataTable.nasdaq;r = 100 * price2ret(纳斯达克);t =长度(r);图绘图(r)xlim([0 t])标题('纳斯达克每日回报')
返回似乎围绕恒定级别波动,但展示了波动率聚类。返回的大变化倾向于聚集在一起,并且小的变化往往会聚集在一起。也就是说,该系列表现出条件异源性。
返回的频率相对较高。因此,日常变化可能很小。为了数值稳定性,展示这些数据是良好的做法。
绘制返回系列的样本自相关函数(ACF)和部分自相关函数(PACF)。
图形子图(2,1,1)AutoCorR(R)子图(2,1,2)ParcorR(R)
自相关函数表明LAG延迟有显着的自相关。
在LAG 5进行Ljung-Box Q-Test。
(h p) = lbqtest (r,“滞后”5)
h =逻辑1
P = 0.0120.
拒绝所有自相关的NULL假设,拒绝滞后5(H = 1
)。
绘制平方回报系列的样品ACF和PACF。
图形子图(2,1,1)AutoCorR(R. ^ 2)子图(2,1,2)ParcorR(r。^ 2)
自相关函数显示出显著的序列相关性,这表明该序列是条件异方差的。
进行恩格尔的拱门测试。用两个滞后的拱形模型的替代假设测试无条件异质型的零假设(其局部相当于GARCH(1,1)模型)。
[h,p] = archtest(r-均值(r),“滞后”2)
h =逻辑1
p = 0.
否定的假设被拒绝有利于替代假设(H = 1
)。
为纳斯达克返回的条件均值指定AR(1)模型,以及用于条件方差的GARCH(1,1)模型。这是表格的模型
在哪里 那
和 是一个独立和相同分布的标准化高斯过程。
Mdl = arima ('arlags',1,'方差',garch(1,1))
MDL = Arima具有属性:描述:“Arima(1,0,0)型号(高斯分布)”分布:名称=“高斯”P:1 D:0 Q:0常数:南ar:{nan}滞后[1] SAR:{} MA:{} SMA:{}季节性:0β:[1×0]方差:[GARCH(1,1)模型]
模型输出显示了一个加油
模型存储在方差
财产的阿玛玛
模型,Mdl
。