GARCH条件方差时间序列模型
使用GARCH
指定一个单变量GARCH(广义自回归条件异方差)模型。该GARCH
函数返回一个GARCH
对象指定的功能形式加奇(P,Q)模型,并存储其参数值。
a的关键组成部分GARCH
模型包括:
由滞后条件方差构成的GARCH多项式。度用表示P。
ARCH多项式,它是由滞后平方创新项构成的。度用表示Q。
P和Q分别是GARCH多项式和ARCH多项式中的最大非零滞后。其他模型组件包括创新均值模型偏移、条件方差模型常数和创新分布。
所有的系数是未知(为NaN
除非使用名称-值对参数语法指定它们的值,否则它们是可估计的。若要估计包含给定数据的全部或部分未知参数值的模型,请使用估计
。对于完全指定的模型(其中所有参数值都已知的模型),使用以下命令模拟或预测响应模拟
或预测
, 分别。
返回一个零次条件方差Mdl
= GARCHGARCH
反对。
简写语法为您提供了一种创建适合于无限制参数估计的模型模板的简单方法。例如,为了创建一个GARCH(1,2)含有未知参数值的模式,输入:
MDL = GARCH(1,2);
P
-GARCH次多项式GARCH多项式度,指定为一个非负整数。在GARCH多项式和时间Ť,MATLAB®包括从滞后所有连续的条件方差术语Ť- 图1至滞后Ť-P
。
您可以使用指定此参数GARCH
(P,Q)
仅限速记语法。
如果P
0,然后你必须指定Q
作为一个正整数。
例子:GARCH(1,1)
数据类型:双
Q
-拱多项式程度拱形多项式次数,指定为非负整数。在拱形多项式中Ť,MATLAB包括来自滞后所有连续平方创新方面Ť- 图1至滞后Ť-Q
。
您可以使用指定此参数GARCH
(P,Q)
仅限速记语法。
如果P
0,然后你必须指定Q
作为一个正整数。
例子:GARCH(1,1)
数据类型:双
指定可选的用逗号分隔的对名称,值
参数。姓名
是参数的名称和价值
是相应的值。姓名
必须出现在引号内。可以按任意顺序指定多个名称和值对参数Name1, Value1,…,的家
。
longhand语法使您能够创建部分或全部系数已知的模型。在评估期间,估计
强加任何已知的参数等式约束。
'ARCHLags',[14],'ARCH',{NaN}
指定GARCH(0,4)模型和未知的,但非零,ARCH系数矩阵在滞后1
和4
。
“GARCHLags”
-GARCH多项式滞后1:P
(默认)|唯一正整数的数字向量GARCH多项式的滞后,指定为逗号分隔对组成“GARCHLags”
和独特的正整数数值向量。
GARCHLags(
是对应于系数的滞后Ĵ
)加奇{
。的长度Ĵ
}GARCHLags
和GARCH
必须相等。
假设所有GARCH系数(由GARCH
属性)是正或为NaN
价值观,MAX(GARCHLags)
确定的值P
属性。
例子:'GARCHLags',[1〜4]
数据类型:双
“执政官”
-拱多项式滞后1:Q
(默认)|唯一正整数的数字向量ARCH多项式滞后,指定为逗号分隔的一对组成的“执政官”
和独特的正整数数值向量。
拱门(
是对应于系数的滞后Ĵ
)弓{
。的长度Ĵ
}ARCHLags
和拱
必须相等。
设所有的拱系数(由拱
属性)是正或为NaN
价值观,MAX(ARCHLags)
确定的值Q
属性。
例子:“ARCHLags”, [1 - 4]
数据类型:双
当您使用的名称 - 值对参数语法创建模型对象,你可以设置可写的属性值,或者在您通过使用点符号模型对象。例如,创建一个系数未知的GARCH(1,1)模型,然后指定aŤ未知自由度的创新分配,请输入:
MDL = GARCH( 'GARCHLags',1 'ARCHLags',1);Mdl.Distribution = “T”;
P
-GARCH次多项式此属性是只读的。
GARCH多项式度,指定为一个非负整数。P
是GARCH多项式中系数为正或为NaN
。落后于小于P
可以使系数为0。
P
指定初始化模型所需的预样本条件方差的最小数目。
如果使用名称 - 值对参数创建模型,然后MATLAB实现这些选择之一(假设最大滞后的系数为正或为NaN
):
如果您指定GARCHLags
, 然后P
是最大的指定滞后。
如果您指定GARCH
, 然后P
是指定值的元素数。如果你也指定GARCHLags
, 然后GARCH
使用GARCHLags
决定P
代替。
否则,P
是0
。
数据类型:双
Q
-拱多项式程度此属性是只读的。
ARCH多项式度,指定为一个非负整数。Q
系数为正或的ARCH多项式的最大滞后是多少为NaN
。落后于小于Q
可以使系数为0。
Q
指定启动模型所需的最小预采样创新数。
如果使用名称 - 值对参数创建模型,然后MATLAB实现这些选择之一(假设最大滞后的系数为正或为NaN
):
如果您指定ARCHLags
, 然后Q
是最大的指定滞后。
如果您指定拱
, 然后Q
是指定值的元素数。如果你也指定ARCHLags
, 然后GARCH
使用它的值来确定Q
代替。
否则,Q
是0
。
数据类型:双
常数
-条件方差模型常数为NaN
(默认)|正标量条件方差模型常数,指定为正标量或为NaN
价值。
数据类型:双
GARCH
-GARCH多项式系数为NaN
值GARCH多项式系数,指定为正标量的细胞载体或为NaN
值。
如果您指定GARCHLags
,那么以下条件适用。
的长度GARCH
和GARCHLags
是相等的。
加奇{
是滞后系数吗Ĵ
}GARCHLags(
。Ĵ
)
默认情况下,GARCH
是numel(GARCHLags)
的×1细胞载体为NaN
值。
否则,适用以下条件。
长度GARCH
是P
。
加奇{
是滞后系数吗Ĵ
}Ĵ
。
默认情况下,GARCH
是P
的×1细胞载体为NaN
值。
在系数GARCH
对应于基础中的系数LagOp
滞后算子多项式,并有可能接近零容忍排斥试验。如果设置一个系数1e–12级
或以下,GARCH
排除系数,并在其相应的滞后GARCHLags
从模型。
数据类型:细胞
拱
-拱多项式系数为NaN
值ARCH多项式系数,指定为正标量的单元向量或为NaN
值。
如果您指定ARCHLags
,那么以下条件适用。
的长度拱
和ARCHLags
是相等的。
弓{
是滞后系数吗Ĵ
}拱门(
。Ĵ
)
默认情况下,拱
是元素个数(ARCHLags)
的×1细胞载体为NaN
值。
否则,适用以下条件。
长度拱
是Q
。
弓{
是滞后系数吗Ĵ
}Ĵ
。
默认情况下,拱
是Q
的×1细胞载体为NaN
值。
在系数拱
对应于基础中的系数LagOp
滞后算子多项式,并有可能接近零容忍排斥试验。如果设置一个系数1e–12级
或以下,GARCH
排除系数,并在其相应的滞后ARCHLags
从模型。
数据类型:细胞
UnconditionalVariance
-模型条件方差此属性是只读的。
模型无条件方差,指定为正标量。
无条件方差是
κ为条件方差模型常数(常数
)。
数据类型:双
抵消
-创新平均模型偏移0
(默认)|数字标量|为NaN
创新是指模型偏移量或加性常数,指定为数值标量或为NaN
价值。
数据类型:双
分布
-创新过程的条件概率分布“高斯”
(默认)|“t”
|结构数组创新过程的条件概率分布,指定为字符串或结构数组。GARCH
将值存储为结构数组。
分布 | 串 | 结构数组 |
---|---|---|
高斯 | “高斯” |
结构(“名称”,“高斯”) |
学生们Ť | “t” |
结构('Name','t','DoF',DoF) |
该“景深”
字段指定Ť分布自由度参数。
自由度
> 2或自由度
=为NaN
。
自由度
是难能可贵的。
如果您指定“t”
,自由度
是为NaN
默认情况下。创建模型后,可以使用点符号更改其值。例如,Mdl.Distribution.DoF=3个
。
如果您提供一个结构数组来指定学生的Ť,然后必须指定这两个'名称'
和“景深”
领域。
例子:结构('Name','t','DoF',10)
描述
-型号说明模型描述,指定为字符串标量或字符向量。GARCH
存储值作为字符串标量。默认值描述了该模型的参数形式,例如“GARCH(1,1)条件方差模型(高斯分布)”
。
例子:“说明”,“模式1”
数据类型:串
|字符
所有为NaN
-值模型参数,包括系数和Ť-创新-分配自由度(如果存在)是可估计的。当您传递结果时GARCH
对象和数据估计
,MATLAB估计所有为NaN
有价值的参数。在评估期间,估计
已知参数如等式约束对待,即,估计
保持固定在它们的值的任何已知的参数。
创建一个默认GARCH
使用点表示法对对象建模并指定其参数值。
创建GARCH(0,0)模型。
Mdl = garch
描述:“garch(0,0)条件方差模型(高斯分布)”分布: Name = "Gaussian" P: 0 Q: 0 Constant: NaN GARCH: {} ARCH: {} Offset: 0
Mdl
是GARCH
模型。它包含一个未知常数,它的偏移量是0
和创新分布“高斯”
. 该模型没有GARCH或ARCH多项式。
指定使用点符号滞后一到两个两个未知ARCH系数。
Mdl.ARCH = {楠楠}
描述:“garch(0,2)条件方差模型(高斯分布)”分布: Name = "Gaussian" P: 0 Q: 2 Constant: NaN GARCH: {} ARCH: {NaN NaN} at lags [1 2] Offset: 0
该Q
和拱
属性更新为2
和{南南}
。两个ARCH系数与滞后1和2相关联。
创建GARCH
模型采用速记符号GARCH(P,Q)
,其中P
是GARCH多项式的程度,Q
是拱形多项式的次数。
创建GARCH(3,2)模型。
MDL = GARCH(3,2)
MDL = GARCH具有属性:说明: “GARCH(3,2)的条件方差模型(高斯分布)” 分布:名称= “高斯” P:3 Q:2常数:NaN的GARCH:{楠楠的NaN}在滞后[12 3] ARCH:{楠楠}在滞后[1 2]偏移量:0
Mdl
是GARCH
模型对象。的所有属性Mdl
,除了P
,Q
,分布
,是为NaN
值。默认情况下,软件:
包含条件方差模型常数
排除条件平均模型偏移量(即,偏移量为0
)
包括所有滞后项在ARCH和GARCH拉格算子多项式到滞后Q
和P
, 分别
Mdl
仅指定一个GARCH模型的函数形式。因为它含有未知参数值,你可以通过Mdl
以及时间序列数据估计
估计参数。
创建GARCH
使用模型名称 - 值对的参数。
指定一个GARCH(1,1)模型。默认情况下,条件平均模型偏移量为零。指定偏移量为为NaN
。
Mdl=加奇(“GARCHLags”1,“执政官”1,'偏移',南)
Mdl=garch with properties:Description:“带偏移量的garch(1,1)条件方差模型(高斯分布)”分布:Name=“Gaussian”P:1 Q:1常数:NaN garch:{NaN}在滞后[1]拱:{NaN}在滞后[1]偏移量:NaN
Mdl
是GARCH
模型对象。该软件将所有参数(模型对象的属性),以为NaN
,除了P
,Q
,分布
。
自Mdl
包含为NaN
价值观,Mdl
仅适用于估算。通过Mdl
和时间序列数据估计
。
创建一个平均偏移的GARCH(1,1)模型,
哪里
和 是独立同分布的标准高斯过程。
Mdl=加奇('恒定',0.0001,“加奇”,0.75,...'拱',0.1%,'偏移',0.5)
Mdl=garch,带属性:Description:“garch(1,1)带偏移量的条件方差模型(高斯分布)”分布:Name=“Gaussian”P:1 Q:1常数:0.0001 garch:{0.75}滞后[1]拱:{0.1}滞后[1]偏移:0.5
GARCH
将默认值分配给未使用名称-值对参数指定的任何属性。
访问a的属性GARCH
使用点表示法建模对象。
创建GARCH
模型对象。
MDL = GARCH(3,2)
MDL = GARCH具有属性:说明: “GARCH(3,2)的条件方差模型(高斯分布)” 分布:名称= “高斯” P:3 Q:2常数:NaN的GARCH:{楠楠的NaN}在滞后[12 3] ARCH:{楠楠}在滞后[1 2]偏移量:0
从模型中删除第二个GARCH项。也就是说,指定第二次滞后条件方差的GARCH系数为0
。
Mdl。GARCH {2} = 0
MDL = GARCH具有属性:说明: “GARCH(3,2)的条件方差模型(高斯分布)” 分布:名称= “高斯” P:3 Q:2常数:NaN的GARCH:{楠楠}在滞后[1 3] ARCH:{楠楠}在滞后[1 2]偏移量:0
GARCH多项式有两个未知参数,分别对应于滞后1和滞后3。
显示扰动的分布。
Mdl.Distribution
ans =结构体字段:名称:“高斯”
扰动是高斯均值为0,方差为1。
指定底层独立同分布干扰有Ť分布五个自由度。
Mdl.Distribution=struct('名称','T',“景深”5)
描述:“garch(3,2)条件方差模型(t分布)”分布: Name = "t", DoF = 5 P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lags [1 3] ARCH: {NaN NaN} at lags [1 2] Offset: 0
指定第一个滞后的拱系数为0.2,第二个滞后的拱系数为0.1。
Mdl.ARCH = {0.2 0.1}
描述:“garch(3,2)条件方差模型(t分布)”分布: Name = "t", DoF = 5 P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lags [1 3] ARCH: {0.2 0.1} at lags [1 2] Offset: 0
为了估计剩余的参数,你可以通过Mdl
与您的数据估计
并使用指定的参数作为等式约束。或者,您可以指定其余的参数值,然后通过将完全指定的模型传递给GARCH模型来模拟或预测条件方差模拟
或预测
, 分别。
将GARCH模型与丹麦1922-1999年的年度时间序列进行比较。
加载Data_Danish
数据集。绘制名义收益(nr
)。
加载Data_Danish;NR = DataTable.RN;数字;图(日期,NR);保持在;图([时间(1)时间(结束)],[0 0],“:”);%剧情y = 0的保持从;职务('丹麦名义股票收益');伊拉贝尔('名义收益率(%)');xlabel('年');
名义收益率序列似乎有一个非零条件均值偏移,似乎表现出波动聚类。也就是说,变化是前几年比它小的晚年。对于这个例子,假定一个GARCH(1,1)模型适合于这个系列。
创建一个GARCH(1,1)模型。条件平均偏移量默认为零。要估计偏移量,请指定偏移量为为NaN
。
Mdl=加奇(“GARCHLags”1,“执政官”1,'偏移'、南);
适合GARCH(1,1)模型的数据。
EstMdl =估计(MDL,NR);
GARCH(1,1)条件方差模型与偏移(高斯分布):值StandardError的TStatistic p值_________ _____________ __________ _________常数0.0044476 0.007814 0.56918 0.56923 GARCH {1} 0.84932 0.26495 3.2056 0.0013477 ARCH {1} 0.07325 0.14953 0.48986 0.62423 0.11227偏移0.039214 2.8629 0.0041974
EstMdl
是完全指定的GARCH
模型对象。也就是说,它不包含为NaN
值。您可以通过使用生成残差来评估模型的充分性推断出
,然后分析它们。
为了模拟条件方差或响应,通EstMdl
到模拟
。
预测创新,通EstMdl
到预测
。
从完全指定的GARCH
模型对象。也就是说,估计从模拟GARCH
模型或已知的GARCH
在您指定的所有参数值模型。
加载Data_Danish
数据集。
加载Data_Danish;NR = DataTable.RN;
创建一个GARCH(1,1)模型,其条件平均偏移量未知。将模型拟合到年度名义收益率系列中。
Mdl=加奇(“GARCHLags”1,“执政官”1,'偏移',NaN);EstMdl=估计值(Mdl,nr);
GARCH(1,1)条件方差模型与偏移(高斯分布):值StandardError的TStatistic p值_________ _____________ __________ _________常数0.0044476 0.007814 0.56918 0.56923 GARCH {1} 0.84932 0.26495 3.2056 0.0013477 ARCH {1} 0.07325 0.14953 0.48986 0.62423 0.11227偏移0.039214 2.8629 0.0041974
从估计的GARCH模型中模拟每个周期的100条条件方差和响应路径。
numObs=numel(nr);%样品尺寸(T)numPaths = 100;的路径,以模拟%数rng (1);%的再现性[VSim, YSim] =模拟(EstMdl numObs,“NumPaths”,numPaths);
VSIM
和YSim
是Ť
——- - - - - -numPaths
矩阵。行对应于采样周期,列对应于模拟路径。
积的平均值和所述模拟路径的97.5%和2.5%百分位数。比较仿真统计原始数据。
VSimBar =平均(VSIM,2);VSimCI =位数(VSIM,[0.025 0.975],2);YSimBar =平均(YSim,2);YSimCI =位数(YSim,[0.025 0.975],2);数字;副区(2,1,1);H1 =图(日期,VSIM,“颜色”,0.8 *也是(1,3));保持在;h2=绘图(日期,VSimBar,'K--','行宽',2);h3=绘图(日期,VSimCI,'R--','行宽'2);保持从;职务(“模拟条件方差”);伊拉贝尔(的电导率。变种“。);xlabel('年');副区(2,1,2);H1 =图(日期,YSim,“颜色”,0.8 *也是(1,3));保持在;H2 =图(日期,YSimBar,'K--','行宽'2);h3 =情节(日期、YSimCI'R--','行宽'2);保持从;职务(“模拟名义回报”);伊拉贝尔('名义收益率(%)');xlabel('年');图例([H 1(1)H 2 H3(1)],{“模拟路径”“的意思是”“置信区间”},...'字体大小',7,'位置','西北');
预测条件方差从一个完全指定的GARCH
模型对象。也就是说,预测来自于一个估计值GARCH
模型或已知的GARCH
在您指定的所有参数值模型。该示例从如下估计GARCH模型。
加载Data_Danish
数据集。
加载Data_Danish;NR = DataTable.RN;
创建一个GARCH(1,1)模型,该模型具有未知的条件平均偏移量,并将该模型适合于年度、名义收益率系列。
Mdl=加奇(“GARCHLags”1,“执政官”1,'偏移',NaN);EstMdl=估计值(Mdl,nr);
GARCH(1,1)条件方差模型与偏移(高斯分布):值StandardError的TStatistic p值_________ _____________ __________ _________常数0.0044476 0.007814 0.56918 0.56923 GARCH {1} 0.84932 0.26495 3.2056 0.0013477 ARCH {1} 0.07325 0.14953 0.48986 0.62423 0.11227偏移0.039214 2.8629 0.0041974
利用估计GARCH模型预测未来10年名义收益率序列的条件方差。将整个返回序列指定为预采样观测。软件使用预采样观测和模型推断预采样条件方差。
numPeriods = 10;VF =预测(EstMdl,numPeriods,NR);
绘制名义收益率的预测条件方差。比较预测观测到的条件方差。
V =推断(EstMdl,NR);数字;图(日期,V,'K:','行宽'2);保持在;图(时间(结束):时间(结束)+ 10,[V(端部);室颤]'R','行宽',2);标题(“名义收益率的预测条件方差”);伊拉贝尔(“条件方差”);xlabel('年');传说({“估计样品电导率。变种“。,“预测COND。变种“。},...'位置','最好');
一种GARCH模型是一个动态模型,用于解决创新过程中的条件异方差或波动率聚类。当一个创新过程不表现出显著的自相关,但过程的方差随着时间的变化而变化时,就会出现波动性聚类。
GARCH模型假设当前的条件方差是这些线性过程的总和,每一项的系数为:
过去条件方差(GARCH分量或多项式)
过去平方创新(ARCH类成分或多项式)
创新均值模型和条件方差模型的常数偏移量
考虑一下时间序列
哪里 在GARCH(P,Q)条件方差过程, ,具有表单
在滞后算符号,模型
该表显示了这些变量如何对应的属性GARCH
模型对象。
变量 | 描述 | 财产 |
---|---|---|
μ | 创新均值模型常数偏移 | '偏移' |
κ> 0 | 条件方差模型常数 | '恒定' |
GARCH分量系数 | “加奇” |
|
拱分量系数 | '拱' |
|
žŤ | 均值为0,方差为1的一系列独立随机变量 | '分配' |
平稳性和积极性,GARCH模型使用这些约束:
恩格尔原ARCH(Q)模型相当于一个GARCH(0,Q)规范。
当正、负冲击对波动性的贡献相等时,GARCH模型是合适的[1]。
你可以指定一个GARCH
建模为条件均值和方差的模型组合物的一部分。有关详细信息,请参阅华宇
。
[1] 沙伊,R.S。金融时间序列分析。第3版。新泽西州霍博肯市:John Wiley和Sons公司,2010。
您单击对应于该MATLAB命令的链接:
在MATLAB命令窗口中输入它运行的命令。Web浏览器不支持MATLAB的命令。金宝app
你也可以从以下列表中选择一个网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。