这个例子展示了如何从一个复合的条件均值和方差模型预测响应和条件方差。
加载工具箱中包含的纳斯达克数据。对数据拟合条件均值和方差模型。
负载Data_EquityIdx纳斯达克= DataTable.NASDAQ;r = price2ret(纳斯达克);N =长度(r);Mdl = arima (“ARLags”, 1“方差”garch (1,1),...“分布”,“t”);EstMdl =估计(Mdl r“Variance0”, {“Constant0”, 0.001});
ARIMA(1,0,0)模型(t分布):Value StandardError TStatistic PValue _________ _____________ __________ __________ Constant 0.0009524 0.00017051 5.5855 2.3308e-08 AR{1} 0.13987 0.019051 7.342 2.1037e-13 DoF 8.3525 1.0273 8.1308 4.266e-16 GARCH(1,1)条件方差模型(t分布):值StandardError TStatistic PValue __________ _____________ __________ __________ Constant 1.6076e-06 6.1538e-07 2.6123 0.0089925 GARCH{1} 0.89701 0.011191 80.153 0 ARCH{1} 0.095254 0.010975 8.679 3.9935e-18 DoF 8.3525 1.0273 8.1308 4.266e-16
(E0、V0) =推断(EstMdl, r);
使用预测
计算未来1000期的收益和条件方差的MMSE预测。使用观察到的回报和推断出的残差和条件方差作为样本前数据。
[Y, YMSE V] =预测(1000年EstMdl, r,“E0”下,,“半”V0);上下限= Y + 1.96*根号(YMSE);= Y - 1.96*根号(YMSE);图次要情节(2,1,1)情节(r,“颜色”,综合成绩、综合成绩、综合成绩)在情节(N + 1: N + 1000, Y,“r”,“线宽”2)图(N + 1: N + 1000,(上,下)“k——”,“线宽”1.5) xlim ([0, N + 1000])标题(“预期收益”)举行从次要情节(2,1,2)情节(V0,“颜色”,综合成绩、综合成绩、综合成绩)在情节(N + 1: N + 1000 V,“r”,“线宽”2);xlim ([0, N + 1000])标题(“条件方差预测”)举行从
条件方差预测收敛于GARCH条件方差模型的渐近方差。预测的收益收敛于估计的模型常数(AR条件平均模型的无条件平均值)。