蒙特卡罗模拟是从指定的概率模型产生独立的随机抽取的过程。在模拟时间序列模型时,一个绘制(或实现)是指定长度的整个样本路径N那y1那y2,......,yN。说,当你产生大量的绘图时m,你生成m样品路径,每个长度N。
笔记
Monte Carlo仿真的一些扩展依赖于产生依赖随机绘制,例如马尔可夫链蒙特卡罗(MCMC)。这模拟
函数在计量工具箱™生成独立的实现。
Monte Carlo仿真的一些应用是:
展示理论结果
预测未来事件
估计未来事件的概率
条件方差模型指定随时间的过程方差的动态演变。通过以下方式执行条件方差模型的Monte Carlo仿真:
指定任何必需的样例数据(或使用默认的样例数据)。
使用指定的条件方差模型递归生成下一个条件方差。
模拟创新分布的下一步创新(高斯或学生T.)使用当前的条件方差。
例如,考虑没有平均偏移的GARCH(1,1)过程, 在哪里Z.T.遵循标准化的高斯或学生T.分布和
假设创新分配是高斯。
给定预先规定方差 和预先创新 递归生成条件方差和创新过程的实现:
样本 从具有方差的高斯分布
样本 从具有方差的高斯分布
样本 从具有方差的高斯分布
类似地,使用相应的条件方差方程类似地从eGARCH和GJR模型生成随机绘制。
使用许多模拟路径,您可以估计模型的各种功能。然而,蒙特卡罗估计基于有限数量的模拟。因此,Monte Carlo估计受到一定量的误差。您可以通过增加样本路径的数量来减少模拟研究中的蒙特卡罗错误的数量,m,您从模型中生成。
例如,估计未来事件的概率:
产生m来自模型的示例路径。
使用事件发生的样本比例估计未来事件的概率m模拟,
计算估计的蒙特卡罗标准误差,
您可以通过增加实现次数来减少概率估计的蒙特卡罗错误。如果您知道估计所需的精度,则可以解决实现精确度所需的实现数量。