估计

将条件方差模型拟合到数据

折叠所有页面

语法

estmdl =估计（mdl，y）

estmdl =估计（mdl，y，名称，值）

[estmdl，estparamcov，logl，信息] =估计（＿＿＿）

描述

EstMdl=估计（MDL.，y）估计条件方差模型对象的未知参数MDL.与观察到的单变量时间序列y，使用最大似然。EstMdl是存储结果的完全指定的条件方差模型对象。它与MDL.（见加油，egarch，和GJR.）。

例子

EstMdl=估计（MDL.，y，名称，价值）用一个或多个指定的附加选项估计条件方差模型名称，价值对参数。例如，您可以指定显示迭代优化信息或预样例创新。

例子

［EstMdl，EstParamCov，logL，信息]=估计(＿＿＿）另外还返回：

EstParamCov，与估计参数相关的方差协方差矩阵。
logL，优化的对数似然目标函数。
信息，使用先前语法中的任何输入参数的摘要信息的数据结构。

例子

全部收缩

无初值GARCH模型参数估计

打开生活的脚本

对模拟数据拟合GARCH(1,1)模型。

用GARCH(1,1)模型模拟500个数据点

$y_{t} ＝ {ε.}_{t} ，$

在哪里 ${ε.}_{t} ＝ {σ.}_{t} z_{t}$ 和

${σ.}_{t}^{2} ＝ 0 ． 0001 + 0 ． 5 {σ.}_{t - 1}^{2} + 0 ． 2 {ε.}_{t - 1}^{2} ．$

使用默认的高斯创新分布 $z_{t}$ ．

mdl0 = garch（“不变”, 0.0001,“四国”, 0.5,．..“拱”, 0.2);rng默认的；重复性的％[v, y] =模拟(Mdl0,500);

输出v包含模拟的条件方差。y是模拟响应（创新）的列向量。

指定一个未知系数的GARCH(1,1)模型，并将其拟合到级数中y．

mdl = garch（1,1）;estmdl =估计（mdl，y）

GARCH(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue __________ _____________ __________ __________ Constant 9.8911e-05 3.0727e-05 3.2191 0.001286 GARCH{1} 0.45393 0.11193 4.0556 4.9995e-05 ARCH{1} 0.26374 0.056931 4.6326 3.6111e-06

Estmdl = Garch具有属性：描述：“GARCH（1,1）条件方差模型（高斯分布）”分布：名称=“高斯”P：1问：1常数：9.89113E-05 GARCH：{0.453934}滞后[1]拱门：{0.263739}滞后[1]偏移量：0

结果是一个新的加油模特叫EstMdl．中的参数估计EstMdl类似于生成模拟数据的参数值。

没有初始值的EGARCH模型参数估计

打开生活的脚本

对模拟数据拟合EGARCH(1,1)模型。

模拟来自EGARCH（1,1）模型的500个数据点

$y_{t} ＝ {ε.}_{t} ，$

在哪里 ${ε.}_{t} ＝ {σ.}_{t} z_{t} ，$ 和

$日志 {σ.}_{t}^{2} ＝ 0 ． 001 + 0 ． 7 日志 {σ.}_{t - 1}^{2} + 0 ． 5 ［ \frac{| {ε.}_{t - 1} |}{{σ.}_{t - 1}} - \sqrt{\frac{2}{π}} ］ - 0 ． 3. （ \frac{{ε.}_{t - 1}}{{σ.}_{t - 1}} ）$

(的分布 $z_{t}$ 是高斯）。

mdl0 = egarch（“不变”, 0.001,“四国”, 0.7,．..“拱”, 0.5,'杠杆作用'，-0.3）;rng默认的重复性的％[v, y] =模拟(Mdl0,500);

输出v包含模拟的条件方差。y是模拟响应（创新）的列向量。

指定一个系数未知的EGARCH(1,1)模型，并将其拟合到级数中y．

mdl = egarch（1,1）;estmdl =估计（mdl，y）

EGARCH(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue ___________ _____________ __________ __________ Constant -0.00063869 0.031698 -0.02015 0.98392 GARCH{1} 0.70506 0.067359 10.467 1.2221 -25 ARCH{1} 0.56774 0.074746 7.5956 3.063 -14 Leverage{1} -0.32116 0.053345 -6.0204 1.7399e-09

EstMdl=egarch，属性：Description:“egarch（1,1）条件方差模型（高斯分布）”分布：Name=“Gaussian”P:1 Q:1常数：-0.000638694 GARCH:{0.705065}滞后[1]拱：{0.567741}滞后[1]杠杆：{-0.321158}滞后[1]偏移量：0

结果是一个新的egarch模特叫EstMdl．中的参数估计EstMdl类似于生成模拟数据的参数值。

无初值估计GJR模型参数

打开生活的脚本

将GJR（1,1）模型适合模拟数据。

从GJR(1,1)模型中模拟500个数据点。

$y_{t} ＝ {ε.}_{t} ，$

在哪里 ${ε.}_{t} ＝ {σ.}_{t} z_{t}$ 和

${σ.}_{t}^{2} ＝ 0 ． 001 + 0 ． 5 {σ.}_{t - 1}^{2} + 0 ． 2 {ε.}_{t - 1}^{2} + 0 ． 2 我［ {ε.}_{t - 1} < 0 ］ {ε.}_{t - 1}^{2} ．$

使用默认的高斯创新分布 $z_{t}$ ．

Mdl0 = gjr (“不变”, 0.001,“四国”, 0.5,．..“拱”, 0.2,'杠杆作用', 0.2);rng默认的；重复性的％[v, y] =模拟(Mdl0,500);

输出v包含模拟的条件方差。y是模拟响应（创新）的列向量。

指定未知系数的GJR(1,1)模型，并将其拟合到级数中y．

Mdl=gjr（1,1）；EstMdl=估计值（Mdl，y）

GJR（1,1）条件方差模型（高斯分布）：值StandardError的TStatistic p值__________ _____________ __________ __________常数0.00097382 0.00025135 3.8743 0.00010694 GARCH {1} 0.46056 0.071793 6.4151 1.4077e-10 ARCH {1} 0.24126 0.063409 3.8047 0.00014196杠杆{1}0.25051 0.11265 2.2237 0.02617

描述:“gjr(1,1)条件方差模型(高斯分布)”分布:Name = "高斯" P: 1 Q: 1 Constant: 0.000973818 GARCH: {0.460555} at lag [1] ARCH: {0.241256} at lag [1] Leverage: {0.250507} at lag [1] Offset: 0

结果是一个新的GJR.模特叫EstMdl．中的参数估计EstMdl类似于生成模拟数据的参数值。

使用预先数据估算GARCH模型参数

打开生活的脚本

用GARCH(1,1)模型拟合纳斯达克综合指数的每日收盘收益。

加载工具箱中包含的NASDAQ数据。将索引转换为返回。

负载data_equityidx.纳斯达克= DataTable.nasdaq;Y = Price2ret（纳斯达克）;t =长度（y）;图绘图（y）xlim（[0，t]）标题（“纳斯达克回归”）

回报表现出波动聚类。

指定GARCH（1,1）模型，并将其适合该系列。初始化该模型需要一个前样例创新。使用第一次观察y作为必要的预先创新。

mdl = garch（1,1）;[estmdl，estparamcov] =估计（mdl，y（2：结束），‘E0’，y（1））

GARCH(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue __________ _____________ __________ __________ Constant 1.9987e-06 5.4227e-07 3.6857 0.00022809 GARCH{1} 0.88356 0.0084341 104.76 0 ARCH{1} 0.10903 0.0076471 14.257 4.0403e-46

描述:“garch(1,1)条件方差模型(高斯分布)”分布:Name = "Gaussian" P: 1 Q: 1 Constant: 1.99865e-06 GARCH: {0.883564} at lag [1] ARCH: {0.109027} at lag [1] Offset: 0

EstParamCov=3×310^－４× 0.0000 -0.0000 0.0000 -0.0000 0.7113 -0.5343 0.0000 -0.5343 0.5848

输出EstMdl是一个新的加油模型的参数估计。

使用输出方差 - 协方差矩阵计算估计标准错误。

se =√诊断接头(EstParamCov))

se =3×10.0000 0.0084 0.0076

这些是在估计输出显示中显示的标准误差。它们依次对应于常数、GARCH系数和ARCH系数。

利用前样本数据估计EGARCH模型参数

打开生活的脚本

将EGARCH（1,1）模型拟合至每日收盘的纳斯达克综合指数收益率。

加载工具箱中包含的NASDAQ数据。将索引转换为返回。

负载data_equityidx.纳斯达克= DataTable.nasdaq;Y = Price2ret（纳斯达克）;t =长度（y）;图绘图（y）xlim（[0，t]）标题（“纳斯达克回归”）

回报表现出波动聚类。

指定一个EGARCH(1,1)模型，并使其适合该系列。初始化该模型需要一个前样例创新。使用第一次观察y作为必要的预先创新。

mdl = egarch（1,1）;[estmdl，estparamcov] =估计（mdl，y（2：结束），‘E0’，y（1））

1.1）1.1）1.1）1.1）1.1）1.1）1）1）1）1）1）1）1）1）1）1.1）1）1.1）1）1）1）1）1）1）1）1.1）1）1）1）条件方差模型（1.1）1）1）1）1）1）1）1）条件方差模型（1）条件方差模型（高斯分布（1）1）1）条件方差（1）1）1）1）条件方差（1。1）1）1）1）1）1）条件方差（1）1）条件方差（1）条件方差模型（1）1）条件方差模型（1）条件方差（1。1）条件方差（1。1）1）1）1）条件方差模型（1）条件方差模型（高斯分布：高斯分布（1）条件方差（1）条件方差（1）条件方差（1。1。1）1）1）1）条件方差（1）1）{1}-0.060243 0.005647-10.6681.4358e-26

EstMdl=egarch，属性：Description:“egarch（1,1）条件方差模型（高斯分布）”分布：Name=“Gaussian”P:1 Q:1常数：-0.134782 GARCH:{0.983909}滞后[1]拱：{0.199643}滞后[1]杠杆：{-0.0602428}滞后[1]偏移量：0

EstParamCov=4×4.10^-3× 0.4881 0.0533 -0.1018 0.0106 0.0533 0.0059 -0.0118 0.0017 -0.1018 -0.0118 0.1950 0.0016 0.0106 0.0017 0.0016 0.0319

输出EstMdl是一个新的egarch模型的参数估计。

使用输出方差 - 协方差矩阵计算估计标准错误。

se =√诊断接头(EstParamCov))

se =4×10.0221 0.0024 0.0140 0.0056

这些是在估计输出显示中显示的标准误差。它们依次对应于常数、GARCH系数、ARCH系数和杠杆系数。

使用预先数据估算GJR模型参数

打开生活的脚本

将GJR(1,1)模型应用于纳斯达克综合指数的日收盘价。

加载工具箱中包含的NASDAQ数据。将索引转换为返回。

负载data_equityidx.纳斯达克= DataTable.nasdaq;Y = Price2ret（纳斯达克）;t =长度（y）;图绘图（y）xlim（[0，t]）标题（“纳斯达克回归”）

回报表现出波动聚类。

指定一个GJR(1,1)型号，并使其适合该系列。初始化该模型需要一个前样例创新。使用第一次观察y作为必要的预先创新。

mdl = gjr（1,1）;[estmdl，estparamcov] =估计（mdl，y（2：结束），‘E0’，y（1））

GJR（1,1）条件方差模型（高斯分布）：价值标准误节Tstatistic PValue _________ _________________________常数2.456E-06 5.68483E-05 GARCH {1} 0.88139 0.0094853 92.922 0 Arch {1} 0.06922 0 Arch {1} 0.06403 0.0094853 92.922 0 Arch {1} 0.06422 0 Arch {1} 0.06422 0 Arch {1} 0.06903 1.5583E-05 GARCH {1} 0.88139 0.053 92.922 0拱{1}6.9682 3.2091E-12杠杆{1} 0.088818 0.099127 8.9601 3.2448E-19

Estmdl = GJR具有属性：描述：“GJR（1,1）条件方差模型（高斯分布）”分布：名称=“高斯”P：1问：1常数：2.45598E-06 GAG：{0.881393}滞后[1] arg：{0.0640664}滞后[1]杠杆：{0.0888182}滞后[1]偏移量：0

EstParamCov=4×4.10^－４× 0.0000 -0.0000 0.0000 0.0000 -0.0000 0.8997 -0.6929 -0.0001 0.0000 -0.6929 0.8453 -0.3605 0.0000 -0.0001 -0.3605 0.9826

输出EstMdl是一个新的GJR.模型的参数估计。

使用输出方差 - 协方差矩阵计算估计标准错误。

se =√诊断接头(EstParamCov))

se =4×10.0000 0.0095 0.0092 0.0099

这些是在估计输出显示中显示的标准误差。它们依次对应于常数、GARCH系数、ARCH系数和杠杆系数。

输入参数

全部收缩

`MDL.`- - - - - -条件方差模型
`加油`模型对象|`egarch`模型对象|`GJR.`模型对象

包含未知参数的条件方差模型，指定为a加油，egarch,或GJR.模型对象。

估计对待非南元素MDL.作为等式约束，不估计相应的参数。

`y`- - - - - -响应数据的单路径
数字列向量

响应数据的单路径，指定为数字列向量。软件根据以下公式推断条件方差：y，即模型适合的数据。

y通常是一个创新系列，具有平均0和条件方差，其特征在于指定的模型MDL.．在这种情况下，y是创新系列的延续吗E0．

y也可以表示平均值为0加上偏移量的创新系列。一个非零抵消发出包含偏移量的信号MDL.．

最后的观察y这是最新的观察结果。

数据类型：双重的

名称值对参数

指定可选的逗号分隔的对名称，价值论点。的名字参数名和价值为对应值。的名字必须出现在引号内。您可以以任何顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

例子："显示","iter","E0","0.1,；0.05]指定显示迭代优化信息(0.05;0.1)presample创新。

对于GARCH、EGARCH和GJR模型

全部收缩

`'Arch0'`- - - - - -对应于过去创新项的初始系数估计值
数字矢量

与过去的创新术语相对应的初始系数估计，指定为逗号分隔的配对组成'Arch0'和一个数字向量。

对于GARCH（P，问）和gjr（P，问)模型:
- arch0.必须是包含非负元素的数字向量。
- arch0.包含与构成ARCH多项式的过去平方创新项相关的初始系数估计。
- 默认情况下，估计使用标准时间序列技术导出初始估计。
对于egarch（P，问)模型:
- arch0.包含与构成ARCH多项式的过去标准化创新的规模相关的初始系数估计。
- 默认情况下，估计将与模型中第一个非零滞后相关联的初始系数估计值设置为较小的正值。所有其他值均为零。

系数的个数arch0.必须等于ARCH多项式中与非零系数相关的滞后数，如拱门财产MDL.．

数据类型：双重的

`'constant0'`- - - - - -初始条件方差模型常数估计
数字标量

初始条件方差模型常数估计，指定为逗号分隔的对组成'constant0'和一个数字标量。

对于GARCH（P，问）和gjr（P，问)模型,康斯坦特必须是正的标量。

默认情况下，估计使用标准时间序列技术导出初始估计。

数据类型：双重的

`'展示'`- - - - - -命令窗口显示选项
`'params'`（默认）|`“诊断”`|`'满的'`|`“通路”`|`“关”`|字符串向量|字符向量的细胞向量

命令窗口显示选项，指定为逗号分隔对组成'展示'以及此表中的值或任何值的组合。

价值	估计显示
`“诊断”`	优化诊断
`'满的'`	最大似然参数估计，标准误差，t统计信息、迭代优化信息和优化诊断
`“通路”`	迭代优化的信息
`“关”`	命令窗口无显示
`'params'`	最大似然参数估计、标准误差和t统计数据

例如：

要运行拟合许多模型的模拟，因此想要抑制所有输出，使用“显示”、“关闭”．
显示所有估计结果和优化诊断，使用'显示'，{'params'，'diagnostics'}．

数据类型：char|细胞|一串

`“DoF0”`- - - - - -最初的t-分布自由度参数估计
`10`（默认）|积极的标量

最初的t-分布自由度参数估计，指定为逗号分隔对，由“DoF0”和正标量。DoF0必须超过2。

数据类型：双重的

`‘E0’`- - - - - -Presample创新
数字列向量

前样例创新，指定为逗号分隔对组成‘E0’和一个数值列向量。样本前创新为条件方差模型的创新过程提供初始值MDL.．预先创新从平均值的分布导出。

E0必须至少包含Mdl。问行。如果E0包含额外的行，然后估计使用了最新的Mdl。问presample创新。最后一行包含最新的前样例创新。

默认值为：

对于GARCH（P，问）和gjr（P，问)模型,估计将任何必要的采样前创新设置为偏移调整响应序列平均平方值的平方根y．
对于egarch（P，问)模型,估计将所有必要的采样前创新设置为零。

数据类型：双重的

`'garch0'`- - - - - -过去条件方差项的初始系数估计
数字矢量

过去有条件方差项的初始系数估计，指定为逗号分隔的对组成'garch0'和一个数字向量。

对于GARCH（P，问）和gjr（P，问)模型:
- GARCH0必须是包含非负元素的数字向量。
- GARCH0包含与组成GARCH多项式的过去的条件方差术语相关联的初始系数估计。
对于egarch（P，问)模型,GARCH0包含与撰写GARCH多项式的过去的日志条件方差术语相关联的初始系数估计。

系数的个数GARCH0必须等于GARCH多项式中与非零系数相关的滞后数，如GARCHLags财产MDL.．

默认情况下，估计使用标准时间序列技术导出初始估计。

数据类型：双重的

`“Offset0”`- - - - - -初始创新均值模型抵消估计
标量

初始创新意味着模型偏移估计，指定为逗号分隔对组成“Offset0”和一个标量。

默认情况下，估计将初始估计值设置为的样本平均值y．

数据类型：双重的

`“选项”`- - - - - -优化选项
`optimoptions`优化控制器

优化选项，指定为逗号分隔对，由“选项”和一个optimoptions优化控制器。有关更改优化器默认值的详细信息，请参见optimoptions或fmincon在优化工具箱中™.

例如，将约束公差更改为1e-6,设置选项= Optimoptions（@ Fmincon，'约束专题'，1E-6，'算法'，'SQP'）．然后，通过选择权成估计使用“选项”,选择．

默认情况下，估计使用相同的默认选项fmincon，除了算法是“sqp”和ConstraintTolerance是1e-7．

`“V0”`- - - - - -Presample条件方差
具有正数项的数字列向量

预先定位条件差异，指定为逗号分隔对组成“V0”和数值列向量的正数。V0为条件方差模型的条件方差过程提供初始值MDL.．

对于GARCH（P，问）和gjr（P，问)模型,V0必须至少有Mdl。P行。

对于egarch（P，问)模型,V0必须至少有max (Mdl.P Mdl.Q)行。

如果行数V0超过必要的数量，只使用最新的观测结果。最后一行包含最新的观察结果。

默认情况下，估计将必要的前样本条件方差设置为经偏移调整的响应序列的平方平均值y．

数据类型：双重的

对于egarch和gjr模型

全部收缩

`'leverage0'`- - - - - -初始系数估计过去的杠杆项
`0`（默认）|数字矢量

初始系数估计过去的杠杆术语，指定为逗号分隔对'leverage0'和一个数字向量。

对于egarch（P，问)模型,Leverage0包含与构成杠杆多项式的过去标准化创新术语相关的初始系数估计。

GJR (P，问)模型,Leverage0包含与过去，平方，构成杠杆多项式的负面创新相关的初始系数估计。

系数的个数Leverage0必须等于杠杆多项式中与非零系数相关的滞后数(杠杆作用），如上所述杠杆胶袋．

数据类型：双重的

笔记

南预采样或估计数据中的s表示缺失数据，以及估计删除它们。该软件合并前样本数据(E0和V0)的有效样本数据(y），然后使用列表 - 明智删除以删除包含至少一个的行南. 移除南S中的S在数据中降低了样本大小，也可以创建不规则的时间序列。
估计假设您同步预先样数据，使得最新的观察同时发生。
如果指定值显示然后，优先于优化选项的规范诊断学和显示．否则，估计授予与优化选项中的优化信息显示相关的所有选择。
如果没有指定E0和V0,然后估计从补偿调整反应过程的无条件或长期方差中获得必要的前样本观察。
- 对于所有条件方差模型，V0是偏移调整后响应数据的平方干扰的样本平均值y．
- 对于GARCH（P，问）和gjr（P，问)模型,E0是补偿调整响应系列的平均平方值的平方根吗y．
- 对于egarch（P，问)模型,E0是0．
这些规范将初始瞬态影响降到最低。

输出参数

全部收缩

`EstMdl`-包含参数估计的条件方差模型
`加油`模型对象|`egarch`模型对象|`GJR.`模型对象

条件方差模型包含参数估计，返回为加油，egarch,或GJR.模型对象。估计使用最大似然来计算所有不受约束的参数估计MDL.（即，受约束参数具有已知值）。

EstMdl是一个完全指定的条件方差模型。推断有条件的差异进行诊断检查，通过EstMdl来推断出．模拟或预测条件差异，通过EstMdl来模拟或预测,分别。

`EstParamCov`-极大似然估计的方差协方差矩阵
数字矩阵

优化器已知的模型参数的最大似然估计的变异 - 协方差矩阵作为数字矩阵返回。

与最大似然估计的任何参数相关联的行和列包含估计误差的协方差。参数估计的标准误差是沿主对角线的条目的平方根。

与保持固定为平等约束的任何参数相关联的行和列包含0年代。

估计使用梯度（OPG）方法的外产物来执行协方差矩阵估计．

估计订购参数EstParamCov如下：

常数
正滞后时GARCH系数非零
正滞后时的非零ARCH系数
对于eGARCH和GJR模型，非零杠杆系数在正滞后
自由度(t仅限创新分配）
偏移量(仅具有非零偏移量的模型)

数据类型：双重的

`logL`-优化对数似然目标函数值
标量

优化的对数似然目标函数值，作为标量返回。

数据类型：双重的

`信息`——摘要信息
结构阵列

摘要信息，作为结构返回。

场	描述
`exitflag`	优化退出标志（参见`fmincon`在优化工具箱中）
`选择权`	优化选项控制器(见`optimoptions`和`fmincon`在优化工具箱中）
`X`	最终参数估计向量
`X0`	初始参数估计向量

例如，您可以通过输入来显示最终估计的向量信息。X在命令窗口。

数据类型：塑造

提示

要访问估计结果的值，包括模型中自由参数的数量，请通过EstMdl来总结．

参考

[1]Bollerslev，T.“广泛的归毒条件异质娱乐性”。中国经济学杂志. 1986年第31卷，第307-327页。

［2］博勒斯列夫，T.“投机价格和回报率的条件异方差时间序列模型。”《经济学与统计评论》．卷。69,1987，第542-547页。

[3] 博克斯，G。EP.，G。M詹金斯和G。C雷内塞尔。时间序列分析:预测与控制．3版。恩格尔伍德悬崖，NJ: Prentice Hall, 1994。

恩德斯[4],W。应用计量计量时间序列．霍博肯:约翰·威利父子公司，1995。

［5］与英国通货膨胀方差估计的自回归条件异方差性>。计量经济学．卷。50,1982，pp。987-1007。

［６］格洛斯滕，L。R，R。贾甘纳森和D。E朗克尔。”关于股票名义超额收益率的预期值与波动性之间的关系。”金融杂志. 第48卷，第5期，1993年，第1779-1801页。

格林，W. H.经济计量分析．3 ed。上鞍河，新泽西：普伦特大厅，1997年。

［8］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。

估计

语法

描述

例子

无初值GARCH模型参数估计

没有初始值的EGARCH模型参数估计

无初值估计GJR模型参数

使用预先数据估算GARCH模型参数

利用前样本数据估计EGARCH模型参数

使用预先数据估算GJR模型参数

输入参数

MDL.- - - - - -条件方差模型加油模型对象|egarch模型对象|GJR.模型对象

y- - - - - -响应数据的单路径数字列向量

名称值对参数

对于GARCH、EGARCH和GJR模型

'Arch0'- - - - - -对应于过去创新项的初始系数估计值数字矢量

'constant0'- - - - - -初始条件方差模型常数估计数字标量

'展示'- - - - - -命令窗口显示选项'params'（默认）|“诊断”|'满的'|“通路”|“关”|字符串向量|字符向量的细胞向量

“DoF0”- - - - - -最初的t-分布自由度参数估计10（默认）|积极的标量

‘E0’- - - - - -Presample创新数字列向量

'garch0'- - - - - -过去条件方差项的初始系数估计数字矢量

“Offset0”- - - - - -初始创新均值模型抵消估计标量

“选项”- - - - - -优化选项optimoptions优化控制器

“V0”- - - - - -Presample条件方差具有正数项的数字列向量

对于egarch和gjr模型

'leverage0'- - - - - -初始系数估计过去的杠杆项0（默认）|数字矢量

笔记

输出参数

EstMdl-包含参数估计的条件方差模型加油模型对象|egarch模型对象|GJR.模型对象

EstParamCov-极大似然估计的方差协方差矩阵数字矩阵

logL-优化对数似然目标函数值标量

信息——摘要信息结构阵列

提示

参考

另请参阅

对象

功能

话题

在R2012A介绍

OuthoMetrics工具箱文档

金宝app

用MATLAB建模金融风险的实用指南

`MDL.`- - - - - -条件方差模型
`加油`模型对象|`egarch`模型对象|`GJR.`模型对象

`y`- - - - - -响应数据的单路径
数字列向量

`'Arch0'`- - - - - -对应于过去创新项的初始系数估计值
数字矢量

`'constant0'`- - - - - -初始条件方差模型常数估计
数字标量

`'展示'`- - - - - -命令窗口显示选项
`'params'`（默认）|`“诊断”`|`'满的'`|`“通路”`|`“关”`|字符串向量|字符向量的细胞向量

`“DoF0”`- - - - - -最初的t-分布自由度参数估计
`10`（默认）|积极的标量

`‘E0’`- - - - - -Presample创新
数字列向量

`'garch0'`- - - - - -过去条件方差项的初始系数估计
数字矢量

`“Offset0”`- - - - - -初始创新均值模型抵消估计
标量

`“选项”`- - - - - -优化选项
`optimoptions`优化控制器

`“V0”`- - - - - -Presample条件方差
具有正数项的数字列向量

`'leverage0'`- - - - - -初始系数估计过去的杠杆项
`0`（默认）|数字矢量

`EstMdl`-包含参数估计的条件方差模型
`加油`模型对象|`egarch`模型对象|`GJR.`模型对象

`EstParamCov`-极大似然估计的方差协方差矩阵
数字矩阵

`logL`-优化对数似然目标函数值
标量

`信息`——摘要信息
结构阵列