推断条件方差模型的条件方差
从已知系数的GARCH(1,1)模型推断条件方差。当您使用,然后不使用预样例数据,比较结果推断出
.
指定一个参数已知的GARCH(1,1)模型。从模型中模拟101个条件方差和响应(创新)。将每个系列的第一次观察结果放在一边作为前样本数据。
Mdl = garch (“不变”, 0.01,“四国”, 0.8,“拱”, 0.15);rng默认的;%的再现性(vS, y) =模拟(Mdl, 101);y0 = y (1);v0 = vS (1);y = y(2:结束);v = vS(2:结束);图subplot(2,1,1) plot(v) title(“有条件的差异”) subplot(2,1,2) plot(y) title(“创新”)
的条件方差y
不使用前样例数据。将它们与已知(模拟的)条件方差进行比较。
vI =推断(Mdl y);图绘制(1:10 0 v,“r”,“线宽”, 2)在情节(1:10 0,vI,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差-无样本”)举行从
注意由于缺少前采样数据而导致的早期瞬态响应(差异)。
使用预留样本前创新来推断条件方差,y0
.将它们与已知(模拟的)条件方差进行比较。
vE =推断(Mdl y“E0”, y0);图绘制(1:10 0 v,“r”,“线宽”, 2)在情节(1:10 0、vE、凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(推断条件方差-样本E)举行从
在早期阶段,瞬态响应略有降低。
使用预先准备好的条件方差来推断条件方差,半
.将它们与已知(模拟的)条件方差进行比较。
签证官=推断(Mdl y“半”v0);图绘制(v)情节(1:10 0 v,“r”,“线宽”, 2)在情节(1:10 0,签证官,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(推断条件方差-前例V)举行从
在早期阶段,瞬态响应要小得多。
使用前样本创新和条件方差来推断条件方差。将它们与已知(模拟的)条件方差进行比较。
vEO =推断(Mdl y“E0”, y0,“半”v0);图绘制(v)情节(1:10 0 v,“r”,“线宽”, 2)在vEO情节(1:10 0,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差-样本”)举行从
当您使用足够的前样例创新和条件方差时,推断出的条件方差是准确的(没有瞬态响应)。
从已知系数的EGARCH(1,1)模型推断条件方差。当您使用,然后不使用预样例数据,比较结果推断出
.
指定一个参数已知的EGARCH(1,1)模型。从模型中模拟101个条件方差和响应(创新)。将每个系列的第一次观察结果放在一边作为前样本数据。
Mdl = egarch (“不变”, 0.001,“四国”, 0.8,…“拱”, 0.15,“杠杆”, -0.1);rng默认的;%的再现性(vS, y) =模拟(Mdl, 101);y0 = y (1);v0 = vS (1);y = y(2:结束);v = vS(2:结束);图subplot(2,1,1) plot(v) title(“有条件的差异”) subplot(2,1,2) plot(y) title(“创新”)
的条件方差y
不使用任何预样例数据。将它们与已知(模拟的)条件方差进行比较。
vI =推断(Mdl y);图绘制(1:10 0 v,“r”,“线宽”, 2)在情节(1:10 0,vI,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差-无样本”)举行从
注意由于缺少前采样数据而导致的早期瞬态响应(差异)。
使用预留样本前创新来推断条件方差,y0
.将它们与已知(模拟的)条件方差进行比较。
vE =推断(Mdl y“E0”, y0);图绘制(1:10 0 v,“r”,“线宽”, 2)在情节(1:10 0、vE、凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(推断条件方差-样本E)举行从
在早期阶段,瞬态响应略有降低。
使用预留的前样本方差推断条件方差,半
.将它们与已知(模拟的)条件方差进行比较。
签证官=推断(Mdl y“半”v0);图绘制(v)情节(1:10 0 v,“r”,“线宽”, 2)在情节(1:10 0,签证官,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(推断条件方差-前例V)举行从
瞬态响应几乎被消除。
使用前样本创新和条件方差来推断条件方差。将它们与已知(模拟的)条件方差进行比较。
vEO =推断(Mdl y“E0”, y0,“半”v0);图绘制(v)情节(1:10 0 v,“r”,“线宽”, 2)在vEO情节(1:10 0,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差-样本”)举行从
当您使用足够的前样例创新和条件方差时,推断出的条件方差是准确的(没有瞬态响应)。
从已知系数的GJR(1,1)模型推断条件方差。当您使用,然后不使用预样例数据,比较结果推断出
.
指定已知参数的GJR(1,1)模型。从模型中模拟101个条件方差和响应(创新)。将每个系列的第一次观察结果放在一边作为前样本数据。
Mdl = gjr (“不变”, 0.01,“四国”, 0.8,“拱”, 0.14,…“杠杆”, 0.1);rng默认的;%的再现性(vS, y) =模拟(Mdl, 101);y0 = y (1);v0 = vS (1);y = y(2:结束);v = vS(2:结束);图subplot(2,1,1) plot(v) title(“有条件的差异”) subplot(2,1,2) plot(y) title(“创新”)
的条件方差y
不使用任何预样例数据。将它们与已知(模拟的)条件方差进行比较。
vI =推断(Mdl y);图绘制(1:10 0 v,“r”,“线宽”, 2)在情节(1:10 0,vI,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差-无样本”)举行从
注意由于缺少前采样数据而导致的早期瞬态响应(差异)。
使用预留样本前创新来推断条件方差,y0
.将它们与已知(模拟的)条件方差进行比较。
vE =推断(Mdl y“E0”, y0);图绘制(1:10 0 v,“r”,“线宽”, 2)在情节(1:10 0、vE、凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(推断条件方差-样本E)举行从
在早期阶段,瞬态响应略有降低。
使用预先准备好的条件方差来推断条件方差,签证官
.将它们与已知(模拟的)条件方差进行比较。
签证官=推断(Mdl y“半”v0);图绘制(v)情节(1:10 0 v,“r”,“线宽”, 2)在情节(1:10 0,签证官,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(推断条件方差-前例V)举行从
在早期阶段,瞬态响应要小得多。
使用前样本创新和条件方差来推断条件方差。将它们与已知(模拟的)条件方差进行比较。
vEO =推断(Mdl y“E0”, y0,“半”v0);图绘制(v)情节(1:10 0 v,“r”,“线宽”, 2)在vEO情节(1:10 0,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差-样本”)举行从
当您使用足够的前样例创新和条件方差时,推断出的条件方差是准确的(没有瞬态响应)。
推导出符合纳斯达克综合指数收益的EGARCH(1,1)和EGARCH(2,1)模型的对数似然目标函数值。为了确定哪个模型是更节俭,适当的拟合,进行似然比检验。
加载工具箱中包含的纳斯达克数据,并将索引转换为返回值。先把前两个观察结果放在一边,用作样本前数据。
负载Data_EquityIdx纳斯达克= DataTable.NASDAQ;r = price2ret(纳斯达克);r0 = r (1:2);rn = r(3:结束);
对收益拟合EGARCH(1,1)模型,并推断对数似然目标函数值。
Mdl1 = egarch (1,1);EstMdl1 =估计(Mdl1 rn,“E0”、r0);
EGARCH(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue _________ _____________ __________ __________ Constant -0.13518 0.022134 -6.1074 1.0129e-09 GARCH{1} 0.98386 0.0024268 405.41 0 ARCH{1} 0.19997 0.013993 14.29 2.5182 -46 Leverage{1} -0.060244 0.0056558 -10.652 1.7129e-26
[~, logL1] =推断(EstMdl1 rn,“E0”、r0);
对收益拟合EGARCH(2,1)模型,并推断对数似然目标函数值。
Mdl2 = egarch (2, 1);EstMdl2 =估计(Mdl2 rn,“E0”、r0);
EGARCH(2,1)条件方差模型(高斯分布):Value StandardError TStatistic PValue _________ _____________ __________ __________ Constant -0.1456 0.028436 -5.1202 3.0524e-07 GARCH{1} 0.85307 0.14018 6.0854 1.1618e-09 GARCH{2} 0.12952 0.13838 0.93597 0.34929 ARCH{1} 0.21969 0.029465 7.456 8.9205e-14 Leverage{1} -0.067936 0.01088 -6.2444 4.2552 -10
[~, logL2] =推断(EstMdl2 rn,“E0”、r0);
以更简约的EGARCH(1,1)模型为原模型,EGARCH(2,1)模型为备选模型,进行似然比检验。测试的自由度为1,因为EGARCH(2,1)模型比EGARCH(1,1)模型多一个参数(一个额外的GARCH项)。
(h p) = lratiotest (logL2 logL1 1)
h =逻辑0
p = 0.2256
原假设未被拒绝(h = 0
).在0.05显著水平下,EGARCH(1,1)模型不被拒绝,而倾向于EGARCH(2,1)模型。
GARCH (P,问)模型嵌套在GJR(P,问)模型。因此,您可以执行似然比检验来比较GARCH(P,问)和GJR (P,问)模型。
对符合纳斯达克综合指数收益的GARCH(1,1)和GJR(1,1)模型的对数似然目标函数值进行推断。进行似然比测试,以确定哪个模型是更节俭,更充分的拟合。
加载工具箱中包含的纳斯达克数据,并将索引转换为返回值。先把前两个观察结果放在一边,用作样本前数据。
负载Data_EquityIdx纳斯达克= DataTable.NASDAQ;r = price2ret(纳斯达克);r0 = r (1:2);rn = r(3:结束);
对收益拟合GARCH(1,1)模型,并推断对数似然目标函数值。
Mdl1 = garch (1,1);EstMdl1 =估计(Mdl1 rn,“E0”、r0);
GARCH(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue _________ _____________ __________ __________ Constant 2.005e-06 5.4298e-07 3.6926 0.00022197 GARCH{1} 0.88333 0.0084536 104.49 0 ARCH{1} 0.10924 0.0076666 14.249 4.5737e-46
[~, logL1] =推断(EstMdl1 rn,“E0”、r0);
对收益拟合GJR(1,1)模型,并推断对数似然目标函数值。
Mdl2 = gjr (1,1);EstMdl2 =估计(Mdl2 rn,“E0”、r0);
GJR(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue __________ _____________ __________ __________常量GARCH{1} 0.88102 0.0095104 92.637 0 ARCH{1} 0.064015 0.0091849 6.9696 3.1787e-12杠杆{1}0.089297 0.0099211 9.0007 2.2426e-19
[~, logL2] =推断(EstMdl2 rn,“E0”、r0);
采用更简约的GARCH(1,1)模型作为原模型,GJR(1,1)模型作为备选模型,进行似然比检验。测试的自由度为1,因为GJR(1,1)模型比GARCH(1,1)模型多一个参数(杠杆项)。
(h p) = lratiotest (logL2 logL1 1)
h =逻辑1
p = 4.5816平台以及
原假设被拒绝(h = 1
).在0.05显著性水平下,拒绝GARCH(1,1)模型,采用GJR(1,1)模型。
Y
- - - - - -响应数据响应数据,指定为数字列向量或矩阵。
作为列向量,Y
表示底层级数的单个路径。
矩阵的行数Y
对应于周期,列对应于单独的路径。对任意一行的观察同时发生。
推断出
的条件方差Y
.Y
通常表示均值为0,方差为的创新序列Mdl
.是前样创新系列的延续E0
.Y
也可以表示创新的时间序列,平均值为0加上偏移量。如果Mdl
具有非零偏移量,则软件将其值存储在抵消
属性(Mdl。抵消
).
推断出
假设对任意一行的观察同时发生。
任何级数的最后一个观测值就是最新的观测值。
请注意
南
S表示缺失值。推断出
删除缺失值。推断出
使用列表删除删除任何南
年代。删除南
数据中的S减少了样本量。去除缺失值,也可以产生不规则的时间序列。
指定可选的逗号分隔的对名称,值
参数。的名字
参数名和价值
为对应值。的名字
必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家
.
' e0 ',[1 1;0.5 0.5],' v0 ',[1 1; 1 0.5]
指定两个等价的创新前样本路径和两个不同的条件方差前样本路径。
“E0”
- - - - - -Presample创新前样例创新,指定为逗号分隔对组成“E0”
和一个数值列向量或矩阵。样本创新为条件方差模型的创新过程提供了初始值Mdl
,并由均值为0的分布推导而来。
E0
必须包含至少Mdl。问
元素或行。如果E0
包含额外的行,然后推断出
使用了最新的Mdl。问
只有。
最后一个元素或行包含最新的前样例创新。
如果E0
是一个列向量,它表示潜在创新系列的单一路径。推断出
适用于E0
到每个推断路径。
如果E0
是一个矩阵,然后每一列代表潜在创新系列的前样例路径。E0
必须至少有和Y
.如果E0
列比需要的多,推断出
使用第一个大小(Y, 2)
只列。
默认值是:
GARCH (P,问)和GJR (P,问)模型,推断出
将任何必要的前样创新设置为补偿调整响应系列的平方值的平方根Y
.
EGARCH (P,问)模型,推断出
将任何必要的前样创新设置为零。
例子:“E0”,[1 1;0.5 - 0.5)
数据类型:双
“半”
- - - - - -Presample条件方差预采样条件方差,指定为逗号分隔对,由“半”
和一个数值的列向量或矩阵的正数项。半
提供模型中条件方差的初始值。
如果半
是列向量吗推断出
将其应用于每个输出路径。
如果半
是一个矩阵,那么每一列表示条件方差的前样例路径。半
必须至少有和Y
.如果半
有比所需更多的列,推断出
使用第一个大小(Y, 2)
只列。
GARCH (P,问)和GJR (P,问)模型,半
必须至少Mdl。P
行(或元素)初始化方差方程。
EGARCH (P,问)模型,半
必须至少max (Mdl.P Mdl.Q)
行初始化方差方程。
如果行数半
超过了必要的数量推断出
仅使用最新的、所需的观测次数。
最后一个元素行包含最新的观察结果。
默认情况下,推断出
将任何必要的观测值设置为经偏移调整的响应序列的平方平均值Y
.
例子:“半”,[1 0.5;0.5]
数据类型:双
注:
南
S表示缺失值。推断出
删除缺失值。该软件合并前样本数据(E0
和半
)与输入响应数据(Y
),然后使用按列表删除的方法删除包含至少一个字段的任何行南
.删除南
数据中的S减少了样本量。去除缺失值也会产生不规则的时间序列。
推断出
假设您同步了预样本数据,以便对每个预样本系列的最新观察同时发生。
如果没有指定E0
和半
,然后推断出
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。
对于所有的条件方差模型,半
是偏移调整响应数据的平方扰动的样本平均值吗Y
.
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
.
EGARCH (P,问)模型,E0
是0
.
这些规范将初始瞬态影响降到最低。
[1] Bollerslev, T.“广义自回归条件异方差”。计量经济学杂志》上。1986年第31卷,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》.1987年第69卷,第542-547页。
[3] Box, 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。应用计量经济时间序列.霍博肯:约翰·威利父子公司,1995。
[5] Engle, R. F. <英国通货膨胀方差估计的自回归条件异方差性>。费雪.第50卷,1982年,987-1007页。
[6] Glosten, L. R., R. Jagannathan, D. E. Runkle。“关于期望值与股票名义超额收益波动的关系”。金融杂志.第48卷,第5期,1993年,1779-1801页。
j·D·汉密尔顿时间序列分析.普林斯顿:普林斯顿大学出版社,1994。
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。