蒙特卡罗模拟的条件方差模型- MATLAB和Simulink MathWorks意大利金宝app

蒙特卡罗模拟的条件方差模型

蒙特卡罗模拟是生成独立的过程中,随机从指定的概率模型。在模拟时间序列模型时,一个画(或实现)是整个样本路径指定的长度N,y₁,y₂、……y_N。当你产生大量的吸引,说米,你生成米样本路径长度N。

请注意

一些扩展的蒙特卡罗模拟依赖于生成依赖随机吸引,如马尔可夫链蒙特卡罗(密度)。的模拟在计量经济学工具箱™生成独立的实现。

蒙特卡罗模拟的应用有:

条件方差模型指定的方差的动态演化过程。执行条件方差的蒙特卡罗模拟模型:

例如,考虑一个GARCH(1,1)过程没有意味着抵消, $ε_{t} = σ_{t} z_{t},$ 在哪里z_t遵循标准化的高斯或学生的t分布和

$σ_{t}^{2} = κ + γ_{1} σ_{t - 1}^{2} + α_{1} ε_{t - 1}^{2} 。$

分布是高斯假设创新。

鉴于presample方差 $σ_{0}^{2}$ 和presample创新 $ε_{0},$ 实现条件方差和创新过程的递归生成:

$⋮$

随机生成来自EGARCH和GJR模型同样,使用相应的条件方差方程。

使用许多模拟路径,您可以估计模型的各种特性。然而,蒙特卡罗估计是基于有限数量的模拟。因此,蒙特卡罗估计受一些错误。你可以减少蒙特卡罗错误在你的模拟研究通过增加样本路径的数量,米你从模型生成。

例如,估计未来事件的概率:

生成米从你的模型示例路径。
估计未来事件的概率使用样本比例的事件发生米模拟,

$\hat{p} = \frac{# t 我米 e 年代 e v e n t o c c u r 年代我 n 米 d r 一个 w 年代}{米} 。$
计算蒙特卡罗估计标准误差,

$年代 e = \sqrt{\frac{\hat{p} (1 - \hat{p})}{米}} 。$

你可以减少蒙特卡罗概率估计的误差通过增加实现的数量。如果你知道你估计的所需的精度,可以解出数量的实现需要达到的精度水平。