预报
来自条件方差模型的预测条件差异
描述
例子
预测GARCH模型条件方差
预测30周期地平线上的模拟数据的条件方差。
用已知参数的GARCH(1,1)模型模拟100个观测结果。
mdl = garch（'常数'，0.02，'GARCH'，0.8，“拱”，0.1）;rng默认；重复性的％[v, y] =模拟(Mdl, 100);
预测30周期地平线的条件差异，有和不使用模拟数据作为预先创新。绘制预测。
VF1 =预测（MDL，30，'y0'，y）;VF2 =预测（MDL，30）;图绘制(v,'颜色'，[。7，.7，.7]）持有上绘图（101：130，VF1，“r”，'linewidth'2);图（101：130，VF2，'：'，'linewidth'2);标题（'预测有条件差异'）传奇（'观察'，预估与Presamples，......'没有预先预测'，'位置'，'东北'抱紧关闭
不使用前样创新的预测等于无条件创新方差。使用样本前创新所作的预测渐近地收敛于无条件创新方差。
预测EGARCH模型条件差异
预测30周期地平线上的模拟数据的条件方差。
用已知参数的EGARCH(1,1)模型模拟100个观测结果。
Mdl = egarch ('常数'，0.01，'GARCH'，0.6，“拱”, 0.2,......'杠杆'，-0.2）;rng默认；重复性的％[v, y] =模拟(Mdl, 100);
预测30周期地平线的条件方差，有和不使用模拟数据作为预先创新。绘制预测。
Vf1 =预测(Mdl 30 y);Vf2 =预测(Mdl 30);图绘制(v,'颜色'，[。7，.7，.7]）持有上绘图（101：130，VF1，“r”，'linewidth'2);情节(101:130 Vf2,'：'，'linewidth'2);标题（'预测有条件差异'）传奇（'观察'，预估与Presamples，......'没有预先预测'，'位置'，'东北'抱紧关闭
不使用前样创新的预测等于无条件创新方差。使用样本前创新所作的预测渐近地收敛于无条件创新方差。
预测GJR模型条件差异
预测30周期地平线上的模拟数据的条件方差。
用已知参数模拟GJR(1,1)模型的100个观测值。
mdl = gjr（'常数'，0.01，'GARCH'，0.6，“拱”, 0.2,......'杠杆', 0.2);rng默认；重复性的％[v, y] =模拟(Mdl, 100);
预测30周期地平线的条件差异，有和不使用模拟数据作为预先创新。绘制预测。
VF1 =预测（MDL，30，'y0'，y）;VF2 =预测（MDL，30）;图绘制(v,'颜色'，[。7，.7，.7]）持有上绘图（101：130，VF1，“r”，'linewidth'2);图（101：130，VF2，'：'，'linewidth'2);标题（'预测有条件差异'）传奇（'观察'，预估与Presamples，......'没有预先预测'，'位置'，'东北'抱紧关闭
不使用前样创新的预测等于无条件创新方差。使用样本前创新所作的预测渐近地收敛于无条件创新方差。
比较纽约证券交易所返回的条件方差预测
预测纳斯达克综合指数的条件方差使用GARCH（1,1），EGARCH（1,1）和GJR（1,1）模型在500天地平线上返回500天的地平线。
加载工具箱中包含的NASDAQ数据。将索引转换为返回。绘制返回。
负载data_equityidx.纳斯达克= DataTable.nasdaq;r = price2ret（纳斯达克）;t =长度（r）;VILMR =平均值（r）
VILMR = 4.7771E-04
图;情节（日期（2：结束），r，日期（2：结束），含义* valent * in（t，1），'--r'）;dateTick;标题（'每日纳斯达克返回'）;包含('天'）;ylabel（'返回'）;
该系列的方差似乎改变了。这种变化是挥发性聚类的指示。条件平均模型偏移非常接近零。
适合GARCH（1,1），EGARCH（1,1）和GJR（1,1）模型到数据。默认情况下，软件将条件均值模型设置为零。
mdlgarch = garch（1,1）;MDENARCH = EGARCH（1,1）;mdlgjr = gjr（1,1）;estmdlgarch =估计（mdlgarch，r）;
GARCH（1,1）条件方差模型（高斯分布）：价值标准误节Tstatistic pvalue __________ __________________________常数2.01010-06 5.4314E-07 3.7008 0.02149 GARCH {1} 0.8833 0.0084528 104.5 0 ARCH {1} 0.10919 0.0076214.251 4.4112E-46
Estmdlegarch =估计（Mdlegarch，R）;
EGARCH（1,1）条件方差模型（高斯分布）：价值标准误节Tstatistic pvalue _________ ___________________常数-0.13494 0.073 1.0134E-09 GARCH {1} 0.98389 0.026.15 0 ARCH {1} 0.19964 0.013964 14.297 2.2013964 14.297 2.2013964 14.280446 Leverage {1} -0.060242 0.005646 -10.67 1.4065E-26
Estmdlgjr =估计（mdlgjr，r）;
GJR(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue __________ _____________ __________ __________ Constant 2.4568e-06 5.6828e-07 4.3231 1.5385e-05 GARCH{1} 0.88144 0.009478 92.998 0 ARCH{1} 0.06394 0.0091771 6.9674 3.2293e-12 Leverage{1} 0.088909 0.0099025 8.9784 2.7468e-19
预测使用拟合模型500天的条件方差。使用观察到的返回作为预测的预先创新。
Vfgarch =预测（Estmdlgarch，500，R）;vfegarch =预测（estmdlegarch，500，r）;vfgjr =预测（Estmdlgjr，500，r）;
用从数据中推断出的条件方差绘制预测图。
vgarch =推断（Estmdlgarch，R）;vegarch =推断（estmdlegarch，r）;VGJR =推断（Estmdlgjr，R）;datesfh =日期（结束）:(日期（结束）+1000）;％1000期间预测地平线图;次要情节(1,1);情节(日期(端- 250:端),vGARCH(端- 250:端),'B'，......datesFH(2: 500年年底),vFGARCH,'B--'）;传说（'推断'，“预测”，'位置'，'东北'）;标题（'GARCH（1,1）条件差异'）;dateTick;轴紧；子图（3,1,2）;绘图（日期（结束-250：结束），vegarch（结束-250：结束），“r”，......datesFH(2: 500年年底),vFEGARCH,'r--'）;传说（'推断'，“预测”，'位置'，'东北'）;标题（“条件方差EGARCH(1,1)”）;dateTick;轴紧；子图（3,1,3）;绘图（日期（结束-250：结束），vgjr（结束-250：结束），'K'，......Datesfh（2：end-500），VFGJR，“k——”）;传说（'推断'，“预测”，'位置'，'东北'）;标题（“GJR(1,1)条件方差的）;dateTick;轴紧；
绘图条件方差预测1000天。
VF1000GARCH =预测（Estmdlgarch，1000，R）;Vf1000egarch =预测（Estmdleganch，1000，R）;VF1000GJR =预测（Estmdlgjr，1000，R）;图;绘图（DatesFH（2：结束），VF1000GARCH，'B'，......DatesFH（2：结束），VF1000EGARCH，“r”，......vF1000GJR datesFH(2:结束),'K'）;传说（'GARCH'，'egarch'，“GJR”，'位置'，'东北'）;标题（'条件方差预测渐近渐近') datetick;
这些预测渐近地收敛于它们各自过程的无条件方差。
输入参数
输出参数
更多关于
预测的时基分区
预测的时间基分区是两个不相交的时间基础的差异间隔;每个间隔包含用于预测动态模型的时间序列数据。当预测期（预测地平线）是一个numperiods.在时间基础结束时的长度分区预报生成预测V来自动态模型MDL.．当presample时期是在预测期之前发生的整个分区。预报可能需要观察到的答复（或创新）y0.或有条件的差异v0.在预先计算期间初始化预测动态模型。模型结构确定所需预先观察的类型和数量。
常见的做法是将动态模型拟合到数据集的一部分，然后通过将其预测与观察到的响应进行比较来验证模型的可预测性。在预测期间，预先定位时段包含模型适合的数据，并且预测期包含验证的HoldOut样本。假设yt是观察到的响应系列。从动态模型考虑预测条件差异ytnumperiods.＝K期间。假设动态模型适合间隔[1，T- - - - - -K]（有关详细信息，请参阅估价）.该图显示了用于预测的时间基分区。
例如，生成预测Y从GARCH（0,2）模型，预报需要预先反应（创新）y0.＝
初始化模型。前方预测需要两个观察结果，而2周期的预测需要yT- - - - - -K和一段时间前预测V (1)．预报通过将先前的预测取代模型中的滞后响应来生成所有其他预测。
包含GARCH组件的动态模型需要样本前的条件方差。给定足够的前样本响应，预报推断所需的前样本条件方差。该图显示了这种情况下所需的观察数组，以及相应的输入和输出参数。
算法
如果有条件方差模型
MDL.有一个偏移量（mdl.offset.），预报从指定的预先响应中减去它y0.获得样品前的创新E0．随后，预报用途E0初始化预测的条件方差模型。预报设置预测的样本路径数量numpaths.到预先数据集中的最大列数y0.和v0.．所有预先数据集必须具有numpaths.> 1列或一列。否则，预报一个错误的问题。例如,如果y0.有五列，代表五条路径，然后v0.可以是五列，也可以是一列。如果v0.然后有一列预报适用于v0.到每个路径。南预先数据集中的值表示缺失数据。预报删除按照此过程的预先数据集中缺少数据：预报水平连接指定的预先数据集y0.和v0.这样最新的观察同时发生。结果可以是锯齿状阵列，因为预先样的数据集可以具有不同数量的行。在这种情况下，预报以适当数量的零塑性的预备变量形成矩阵。预报通过删除包含至少一个的所有行应用于组合的预先样矩阵中的列表 - WISE删除南．预报从步骤2的结果中提取处理的预先数据集，并删除所有预先添加的零。
列表式删除减少了样本大小，并可能创建不规则的时间序列。
兼容性考虑因素
参考资料
[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。
关于投机性价格和收益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]盒子，G.E.P.，G.M. Jenkins和G. C. Reinsel。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] 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。
j·D·汉密尔顿时间序列分析．普林斯顿，新泽：普林斯顿大学出版社，1994年。
[8] Nelson, D. B. <资产收益的条件异方差:一种新方法>。Moveryetrica.．卷。59,1991，第347-370页。
您还可以从以下列表中选择一个网站：
