估计

将条件方差模型与数据拟合

折叠所有页面

语法

EstMdl =估计(Mdl, y)

EstMdl =估计(Mdl y、名称、值)

[EstMdl, EstParamCov logL信息]=估计(＿＿＿）

描述

EstMdl=估计(Mdl，y）估计条件方差模型对象的未知参数Mdl与观测到的单变量时间序列y，使用最大似然。EstMdl是存储结果的完全指定的条件方差模型对象。它与Mdl(见garch，egarch,gjr)．

例子

EstMdl=估计(Mdl，y，名称,值）用一个或多个指定的附加选项估计条件方差模型名称,值对参数。例如，您可以指定显示迭代优化信息或预样例创新。

例子

(EstMdl，EstParamCov，logL，信息) =估计(＿＿＿）另外的回报:

EstParamCov，与估计参数相关的方差-协方差矩阵。
logL，优化的对数似然目标函数。
信息，使用前面语法中的任何输入参数的摘要信息的数据结构。

例子

全部折叠

无初值GARCH模型参数估计

打开生活的脚本

对模拟数据拟合GARCH(1,1)模型。

用GARCH(1,1)模型模拟500个数据点

$y_{t} ＝ ε_{t} ，$

在哪里 $ε_{t} ＝ σ_{t} z_{t}$ 和

$σ_{t}^{2} ＝ 0 。 0001 + 0 。 5 σ_{t - 1}^{2} + 0 。 2 ε_{t - 1}^{2} 。$

使用默认的高斯创新分布 $z_{t}$ 。

Mdl0 = garch (“不变”, 0.0001,“四国”, 0.5,．．.“拱”, 0.2);rng默认的；%的再现性[v, y] =模拟(Mdl0,500);

输出v包含模拟的条件方差。y是模拟响应(创新)的列向量。

指定一个未知系数的GARCH(1,1)模型，并将其拟合到级数中y。

Mdl = garch (1,1);EstMdl =估计(Mdl, y)

GARCH(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue __________ _____________ __________ __________ Constant 9.8911e-05 3.0726e-05 3.2191 0.001286 GARCH{1} 0.45394 0.11193 4.0557 4.9988e-05 ARCH{1} 0.26374 0.056931 4.6326 3.6111e-06

描述:“garch(1,1)条件方差模型(高斯分布)”分布:Name = "Gaussian" P: 1 Q: 1 Constant: 9.89108e-05 GARCH: {0.453935} at lag [1] ARCH: {0.263739} at lag [1] Offset: 0

结果是一个新的garch模型称为EstMdl。中的参数估计EstMdl类似于生成模拟数据的参数值。

没有初始值的EGARCH模型参数估计

打开生活的脚本

对模拟数据拟合EGARCH(1,1)模型。

从EGARCH(1,1)模型中模拟500个数据点

$y_{t} ＝ ε_{t} ，$

在哪里 $ε_{t} ＝ σ_{t} z_{t} ，$ 和

$日志 σ_{t}^{2} ＝ 0 。 001 + 0 。 7 日志 σ_{t - 1}^{2} + 0 。 5 (\frac{| ε_{t - 1} |}{σ_{t - 1}} - \sqrt{\frac{2}{π}} ］ - 0 。 3. （ \frac{ε_{t - 1}}{σ_{t - 1}} ）$

(的分布 $z_{t}$ 是高斯)。

Mdl0 = egarch (“不变”, 0.001,“四国”, 0.7,．．.“拱”, 0.5,“杠杆”, -0.3);rng默认的%的再现性[v, y] =模拟(Mdl0,500);

输出v包含模拟的条件方差。y是模拟响应(创新)的列向量。

指定一个系数未知的EGARCH(1,1)模型，并将其拟合到级数中y。

Mdl = egarch (1,1);EstMdl =估计(Mdl, y)

EGARCH(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue ___________ _____________ __________ __________ Constant -0.00063867 0.031698 -0.020149 0.98392 GARCH{1} 0.70506 0.067359 10.467 1.2221 -25 ARCH{1} 0.56774 0.074746 7.5956 3.063 -14 Leverage{1} -0.32116 0.053345 -6.0204 1.7399e-09

描述:“egarch(1,1)条件方差模型(高斯分布)”分布:Name = "高斯" P: 1 Q: 1 Constant: -0.000638665 GARCH: {0.705065} at lag [1] ARCH: {0.567741} at lag [1] Leverage: {-0.321158} at lag [1] Offset: 0

结果是一个新的egarch模型称为EstMdl。中的参数估计EstMdl类似于生成模拟数据的参数值。

无初值估计GJR模型参数

打开生活的脚本

对模拟数据拟合GJR(1,1)模型。

从GJR(1,1)模型中模拟500个数据点。

$y_{t} ＝ ε_{t} ，$

在哪里 $ε_{t} ＝ σ_{t} z_{t}$ 和

$σ_{t}^{2} ＝ 0 。 001 + 0 。 5 σ_{t - 1}^{2} + 0 。 2 ε_{t - 1}^{2} + 0 。 2 我 (ε_{t - 1} < 0 ］ ε_{t - 1}^{2} 。$

使用默认的高斯创新分布 $z_{t}$ 。

Mdl0 = gjr (“不变”, 0.001,“四国”, 0.5,．．.“拱”, 0.2,“杠杆”, 0.2);rng默认的；%的再现性[v, y] =模拟(Mdl0,500);

输出v包含模拟的条件方差。y是模拟响应(创新)的列向量。

指定未知系数的GJR(1,1)模型，并将其拟合到级数中y。

Mdl = gjr (1,1);EstMdl =估计(Mdl, y)

GJR(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue __________ _____________ __________ __________ Constant 0.00097382 0.00025135 3.8743 0.00010694 GARCH{1} 0.46056 0.071793 6.4151 1.4077e-10 ARCH{1} 0.24126 0.063409 3.8047 0.00014196 Leverage{1} 0.25051 0.11265 2.2237 0.02617

描述:“gjr(1,1)条件方差模型(高斯分布)”分布:Name = "高斯" P: 1 Q: 1 Constant: 0.000973819 GARCH: {0.460555} at lag [1] ARCH: {0.241256} at lag [1] Leverage: {0.250507} at lag [1] Offset: 0

结果是一个新的gjr模型称为EstMdl。中的参数估计EstMdl类似于生成模拟数据的参数值。

利用前样本数据估计GARCH模型参数

打开生活的脚本

用GARCH(1,1)模型拟合纳斯达克综合指数的每日收盘收益。

加载工具箱中包含的纳斯达克数据。将索引转换为返回值。

负载Data_EquityIdx纳斯达克= DataTable.NASDAQ;y = price2ret(纳斯达克);T =长度(y);xlim([0,T])“纳斯达克回报”）

图中包含一个轴对象。标题为NASDAQ Returns的axes对象包含一个line类型的对象。

回报表现出波动聚类。

指定一个GARCH(1,1)型号，并使其适合该系列。初始化该模型需要一个前样例创新。使用第一次观察y作为必要的前样创新。

Mdl = garch (1,1);[EstMdl, EstParamCov] =估计(Mdl y(2:结束),“E0”y (1))

GARCH(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue __________ _____________ __________ __________ Constant 1.9987e-06 5.4228e-07 3.6857 0.00022807 GARCH{1} 0.88356 0.0084341 104.76 0 ARCH{1} 0.10903 0.0076472 14.257 4.041e-46

描述:“garch(1,1)条件方差模型(高斯分布)”分布:Name = "Gaussian" P: 1 Q: 1 Constant: 1.99867e-06 GARCH: {0.883563} at lag [1] ARCH: {0.109027} at lag [1] Offset: 0

EstParamCov =3×310^－4× 0.000 -0.000 0.000 -0.0000 0.7113 -0.5343 0.000 -0.5343 0.5848

输出EstMdl是一个新的garch模型的参数估计。

使用输出方差-协方差矩阵来计算估计的标准误差。

se =√诊断接头(EstParamCov))

se =3×10.0000 0.0084 0.0076

这些是在估计输出显示中显示的标准误差。它们依次对应于常数、GARCH系数和ARCH系数。

利用前样本数据估计EGARCH模型参数

打开生活的脚本

将EGARCH(1,1)模型应用于纳斯达克综合指数的每日收盘价。

加载工具箱中包含的纳斯达克数据。将索引转换为返回值。

负载Data_EquityIdx纳斯达克= DataTable.NASDAQ;y = price2ret(纳斯达克);T =长度(y);xlim([0,T])“纳斯达克回报”）

图中包含一个轴对象。标题为NASDAQ Returns的axes对象包含一个line类型的对象。

回报表现出波动聚类。

指定一个EGARCH(1,1)模型，并使其适合该系列。初始化该模型需要一个前样例创新。使用第一次观察y作为必要的前样创新。

Mdl = egarch (1,1);[EstMdl, EstParamCov] =估计(Mdl y(2:结束),“E0”y (1))

EGARCH(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue _________ _____________ __________ __________ Constant -0.13479 0.022092 -6.101 1.0538e-09 GARCH{1} 0.98391 0.0024221 406.22 0 ARCH{1} 0.19965 0.013966 14.296 2.3323e-46 Leverage{1} -0.060243 0.0056471 -10.668 1.4354e-26

描述:“egarch(1,1)条件方差模型(高斯分布)”分布:Name = "高斯" P: 1 Q: 1 Constant: -0.134785 GARCH: {0.983909} at lag [1] ARCH: {0.199645} at lag [1] Leverage: {-0.0602433} at lag [1] Offset: 0

EstParamCov =4×410^－3× 0.4881 0.0533 - 0.01018 0.0106 0.0533 0.0059 -0.0118 0.0017 - 0.01018 -0.0118 0.1950 0.0016 0.0106 0.0017 0.0319

输出EstMdl是一个新的egarch模型的参数估计。

使用输出方差-协方差矩阵来计算估计的标准误差。

se =√诊断接头(EstParamCov))

se =4×10.0221 0.0024 0.0140 0.0056

这些是在估计输出显示中显示的标准误差。它们依次对应于常数、GARCH系数、ARCH系数和杠杆系数。

利用前样本数据估计GJR模型参数

打开生活的脚本

将GJR(1,1)模型应用于纳斯达克综合指数的日收盘价。

加载工具箱中包含的纳斯达克数据。将索引转换为返回值。

负载Data_EquityIdx纳斯达克= DataTable.NASDAQ;y = price2ret(纳斯达克);T =长度(y);xlim([0,T])“纳斯达克回报”）

图中包含一个轴对象。标题为NASDAQ Returns的axes对象包含一个line类型的对象。

回报表现出波动聚类。

指定一个GJR(1,1)型号，并使其适合该系列。初始化该模型需要一个前样例创新。使用第一次观察y作为必要的前样创新。

Mdl = gjr (1,1);[EstMdl, EstParamCov] =估计(Mdl y(2:结束),“E0”y (1))

GJR(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue __________ _____________ __________ __________ Constant 2.4571e-06 5.6866e-07 4.3209 1.5542e-05 GARCH{1} 0.88132 0.009492 92.849 0 ARCH{1} 0.064153 0.0092048 6.9695 3.1798e-12 Leverage{1} 0.088795 0.0099197 8.9514 3.5108e-19

描述:“gjr(1,1)条件方差模型(高斯分布)”分布:Name = "Gaussian" P: 1 Q: 1 Constant: 2.45712e-06 GARCH: {0.881321} at lag [1] ARCH: {0.0641529} at lag [1] Leverage: {0.0887949} at lag [1] Offset: 0

EstParamCov =4×410^－4× 0.0000 -0.0000 0.0000 -0.0000 0.9010 -0.6942 0.0002 0.0000 -0.6942 0.8473 -0.3615 0.0000 0.0002 -0.3615 0.9840

输出EstMdl是一个新的gjr模型的参数估计。

使用输出方差-协方差矩阵来计算估计的标准误差。

se =√诊断接头(EstParamCov))

se =4×10.0000 0.0095 0.0092 0.0099

这些是在估计输出显示中显示的标准误差。它们依次对应于常数、GARCH系数、ARCH系数和杠杆系数。

输入参数

全部折叠

`Mdl`- - - - - -条件方差模型
`garch`模型对象|`egarch`模型对象|`gjr`模型对象

条件方差模型包含未知参数，指定为garch，egarch,或gjr模型对象。

估计对非南元素Mdl为等式约束，且不估计相应的参数。

`y`- - - - - -响应数据的单路径
数字列向量

响应数据的单一路径，指定为数字列向量。该软件推断条件方差y，即模型适合的数据。

y通常创新系列的均值为0和条件方差的特征是在Mdl。在这种情况下,y是创新系列的延续吗E0。

y也可以表示平均值为0加上偏移量的创新系列。一个非零抵消发出包含偏移量的信号Mdl。

最后的观察y这是最新的观察结果。

数据类型:双

名称-值参数

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。

例子:“显示”,“通路”,“E0”,[0.1;0.05)指定显示迭代优化信息(0.05;0.1)presample创新。

适用于GARCH、EGARCH和GJR模型

全部折叠

`ARCH0`- - - - - -对应于过去创新项的初始系数估计值
数值向量

初始系数估计值对应于过去的创新项，指定为逗号分隔对组成“ARCH0”和一个数字向量。

GARCH (P，问)和GJR (P，问)模型:
- ARCH0必须是包含非负元素的数字向量。
- ARCH0包含与构成ARCH多项式的过去平方创新项相关的初始系数估计。
- 默认情况下,估计使用标准时间序列技术导出初始估计。
EGARCH (P，问)模型:
- ARCH0包含与构成ARCH多项式的过去标准化创新的规模相关的初始系数估计。
- 默认情况下,估计将与模型中第一个非零滞后相关的初始系数估计值设置为一个小的正值。所有其他值都是零。

系数的个数ARCH0必须等于ARCH多项式中与非零系数相关的滞后数，如ARCHLags的属性Mdl。

数据类型:双

`Constant0`- - - - - -初始条件方差模型常数估计
数字标量

初始条件方差模型常数估计，指定为逗号分隔对组成“Constant0”和一个数字标量。

GARCH (P，问)和GJR (P，问)模型,Constant0必须是正的标量。

默认情况下,估计使用标准时间序列技术导出初始估计。

数据类型:双

`显示`- - - - - -命令窗口显示选项
`“参数”`(默认)|`“诊断”`|`“全部”`|`“通路”`|`“关闭”`|字符串向量|字符向量的细胞向量

命令窗口显示选项，指定为逗号分隔对组成“显示”和表中的一个或多个值。

价值	信息显示
`“诊断”`	优化诊断
`“全部”`	最大似然参数估计，标准误差，t统计、迭代优化信息和优化诊断
`“通路”`	迭代优化的信息
`“关闭”`	没有一个
`“参数”`	最大似然参数估计，标准误差，和t统计数据

例子:“显示”,“关闭”非常适合运行估计许多模型的模拟。

例子:“显示”,{“参数”、“诊断”}显示所有估计结果和优化诊断。

数据类型:字符|细胞|字符串

`DoF0`- - - - - -初步的估计t分布自由度参数
`10`(默认)|积极的标量

初步估计t分布自由度参数ν，指定为逗号分隔的对，由“DoF0”一个正标量。DoF0必须超过2。

数据类型:双

`E0`- - - - - -Presample创新
数字列向量

前样例创新，指定为逗号分隔对组成“E0”和一个数值列向量。样本创新为条件方差模型的创新过程提供了初始值Mdl。样本创新源于均值为0的分布。

E0必须包含至少Mdl。问行。如果E0包含额外的行，然后估计使用了最新的Mdl。问presample创新。最后一行包含最新的前样例创新。

默认值是:

GARCH (P，问)和GJR (P，问)模型,估计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,估计将任何必要的前样创新设置为零。

数据类型:双

`GARCH0`- - - - - -过去条件方差项的初始系数估计
数值向量

初始系数估计的过去条件方差项，指定为逗号分隔对组成“GARCH0”和一个数字向量。

GARCH (P，问)和GJR (P，问)模型:
- GARCH0必须是包含非负元素的数字向量。
- GARCH0包含与组成GARCH多项式的过去条件方差项相关的初始系数估计。
EGARCH (P，问)模型,GARCH0包含与组成GARCH多项式的过去对数条件方差项相关的初始系数估计。

系数的个数GARCH0必须等于GARCH多项式中与非零系数相关的滞后数，如GARCHLags的属性Mdl。

默认情况下,估计使用标准时间序列技术导出初始估计。

数据类型:双

`Offset0`- - - - - -初始创新均值模型抵消估计
标量

初始创新均值模型偏移估计，指定为逗号分隔对组成“Offset0”和一个标量。

默认情况下,估计的样本均值的初始估计值y。

数据类型:双

`选项`- - - - - -优化选项
`optimoptions`优化控制器

优化选项，指定为逗号分隔对，由“选项”和一个optimoptions优化控制器。修改优化器默认值的详细信息请参见optimoptions或fmincon在优化工具箱™。

例如，将约束公差更改为1 e-6,设置选择= optimoptions (@fmincon ConstraintTolerance的1 e-6,“算法”,“sqp”)。然后,通过选项成估计使用“选项”,选择。

默认情况下,估计使用相同的默认选项fmincon,除了算法是“sqp”和ConstraintTolerance是1 e -。

`半`- - - - - -Presample条件方差
具有正数项的数字列向量

预采样条件方差，指定为逗号分隔对，由“半”和数值列向量的正数。半给出条件方差模型条件方差过程的初值Mdl。

GARCH (P，问)和GJR (P，问)模型,半必须至少Mdl。P行。

EGARCH (P，问)模型,半必须至少max (Mdl.P Mdl.Q)行。

如果行数半超过必要的数量，只使用最新的观测结果。最后一行包含最新的观察结果。

默认情况下,估计将必要的前样本条件方差设置为经偏移调整的响应序列的平方平均值y。

数据类型:双

用于EGARCH和GJR模型

全部折叠

`Leverage0`- - - - - -初始系数估计过去的杠杆项
`0`(默认)|数值向量

初始系数估计过去的杠杆项，指定为逗号分隔对组成“Leverage0”和一个数字向量。

EGARCH (P，问)模型,Leverage0包含与构成杠杆多项式的过去标准化创新术语相关的初始系数估计。

GJR (P，问)模型,Leverage0包含与过去相关的初始系数估计，平方，负创新，构成杠杆多项式。

系数的个数Leverage0必须等于杠杆多项式中与非零系数相关的滞后数(利用)，详见LeverageLags。

数据类型:双

笔记

南前样本或估计数据中的S表示缺失数据，且估计删除它们。该软件合并前样本数据(E0和半)的有效样本数据(y)，然后使用按列表删除的方法删除至少包含一个字段的行南。删除南S在数据中减少了样本量，也可以产生不规则的时间序列。
估计假设您同步了预样例数据，以便最新的观察同时发生。
如果指定的值显示，则优先于优化选项的规范诊断和显示。否则,估计尊重与优化选项中显示优化信息相关的所有选择。
如果没有指定E0和半,然后估计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。

输出参数

全部折叠

`EstMdl`-包含参数估计的条件方差模型
`garch`模型对象|`egarch`模型对象|`gjr`模型对象

条件方差模型包含参数估计，返回为garch，egarch,或gjr模型对象。估计使用最大似然来计算所有不受约束的参数估计Mdl(即，约束参数有已知值)。

EstMdl是一个完全指定的条件方差模型。为诊断检查推断条件方差，通过EstMdl来推断出。要模拟或预测条件方差，请通过EstMdl来模拟或预测,分别。

`EstParamCov`-最大似然估计的方差-协方差矩阵
数字矩阵

优化器已知的模型参数的最大似然估计的方差-协方差矩阵，以数值矩阵的形式返回。

与最大似然估计的任何参数相关联的行和列包含估计误差的协方差。参数估计的标准误差是沿主对角线的项的平方根。

与固定为相等约束的任何参数相关联的行和列包含0年代。

估计使用梯度的外积(OPG)方法来执行协方差矩阵估计。

估计将参数排序为EstParamCov如下:

常数
正滞后时GARCH系数非零
正滞后时的非零ARCH系数
对于EGARCH和GJR模型，正滞后时的非零杠杆系数
自由度(t创新分布)
偏移量(仅具有非零偏移量的模型)

数据类型:双

`logL`-优化的对数似然目标函数值
标量

优化的对数似然目标函数值，返回为标量。

数据类型:双

`信息`——优化总结
结构数组

优化摘要，作为结构数组返回，该结构数组具有本表中描述的字段。

场	描述
`exitflag`	优化退出标志(参见`fmincon`在优化工具箱)
`选项`	优化选项控制器(见`optimoptions`和`fmincon`在优化工具箱)
`X`	最终参数估计的向量
`X0`	初始参数估计的向量

例如，您可以通过输入来显示最终估计的向量信息。X在命令窗口。

数据类型:结构体

提示

要访问估计结果的值，包括模型中自由参数的数量，通过EstMdl来总结。

参考文献

［1］Bollerslev,蒂姆。广义自回归条件异方差。计量经济学杂志31(1986年4月):307-27。https://doi.org/10.1016/0304 - 4076 (86) 90063 - 1。

［2］Bollerslev,蒂姆。投机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》69(1987年8月):542-47。https://doi.org/10.2307/1925546。

[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］罗伯特·恩格尔,。用英国通货膨胀方差估计的自回归条件异方差费雪50(1982年7月):987-1007。https://doi.org/10.2307/1912773。

［6］格洛斯滕，L. R.， R. Jagannathan和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。

格林，W. H.计量经济学分析。3版。上鞍河，新泽西:普伦蒂斯霍尔，1997。

[8]汉密尔顿,詹姆斯D。时间序列分析。普林斯顿:普林斯顿大学出版社，1994。

另请参阅

对象

garch|egarch|gjr

功能

过滤器|预测|推断出|模拟|总结

主题

介绍了R2012a

估计

语法

描述

例子

无初值GARCH模型参数估计

没有初始值的EGARCH模型参数估计

无初值估计GJR模型参数

利用前样本数据估计GARCH模型参数

利用前样本数据估计EGARCH模型参数

利用前样本数据估计GJR模型参数

输入参数

`Mdl`- - - - - -条件方差模型
`garch`模型对象|`egarch`模型对象|`gjr`模型对象

`y`- - - - - -响应数据的单路径
数字列向量

名称-值参数

`ARCH0`- - - - - -对应于过去创新项的初始系数估计值
数值向量

`Constant0`- - - - - -初始条件方差模型常数估计
数字标量

`显示`- - - - - -命令窗口显示选项
`“参数”`(默认)|`“诊断”`|`“全部”`|`“通路”`|`“关闭”`|字符串向量|字符向量的细胞向量

`DoF0`- - - - - -初步的估计t分布自由度参数
`10`(默认)|积极的标量

`E0`- - - - - -Presample创新
数字列向量

`GARCH0`- - - - - -过去条件方差项的初始系数估计
数值向量

`Offset0`- - - - - -初始创新均值模型抵消估计
标量

`选项`- - - - - -优化选项
`optimoptions`优化控制器

`半`- - - - - -Presample条件方差
具有正数项的数字列向量

`Leverage0`- - - - - -初始系数估计过去的杠杆项
`0`(默认)|数值向量

输出参数

`EstMdl`-包含参数估计的条件方差模型
`garch`模型对象|`egarch`模型对象|`gjr`模型对象

`EstParamCov`-最大似然估计的方差-协方差矩阵
数字矩阵

`logL`-优化的对数似然目标函数值
标量

`信息`——优化总结
结构数组

提示

参考文献

另请参阅

对象

功能

主题

计量经济学工具文档

金宝app

用MATLAB建模财务风险的实用指南

估计

语法

描述

例子

无初值GARCH模型参数估计

没有初始值的EGARCH模型参数估计

无初值估计GJR模型参数

利用前样本数据估计GARCH模型参数

利用前样本数据估计EGARCH模型参数

利用前样本数据估计GJR模型参数

输入参数

Mdl- - - - - -条件方差模型garch模型对象|egarch模型对象|gjr模型对象

y- - - - - -响应数据的单路径数字列向量

名称-值参数

ARCH0- - - - - -对应于过去创新项的初始系数估计值数值向量

Constant0- - - - - -初始条件方差模型常数估计数字标量

显示- - - - - -命令窗口显示选项“参数”(默认)|“诊断”|“全部”|“通路”|“关闭”|字符串向量|字符向量的细胞向量

DoF0- - - - - -初步的估计t分布自由度参数10(默认)|积极的标量

E0- - - - - -Presample创新数字列向量

GARCH0- - - - - -过去条件方差项的初始系数估计数值向量

Offset0- - - - - -初始创新均值模型抵消估计标量

选项- - - - - -优化选项optimoptions优化控制器

半- - - - - -Presample条件方差具有正数项的数字列向量

Leverage0- - - - - -初始系数估计过去的杠杆项0(默认)|数值向量

输出参数

EstMdl-包含参数估计的条件方差模型garch模型对象|egarch模型对象|gjr模型对象

EstParamCov-最大似然估计的方差-协方差矩阵数字矩阵

logL-优化的对数似然目标函数值标量

信息——优化总结结构数组

提示

参考文献

另请参阅

对象

功能

主题

计量经济学工具文档

金宝app

用MATLAB建模财务风险的实用指南

`Mdl`- - - - - -条件方差模型
`garch`模型对象|`egarch`模型对象|`gjr`模型对象

`y`- - - - - -响应数据的单路径
数字列向量

`ARCH0`- - - - - -对应于过去创新项的初始系数估计值
数值向量

`Constant0`- - - - - -初始条件方差模型常数估计
数字标量

`显示`- - - - - -命令窗口显示选项
`“参数”`(默认)|`“诊断”`|`“全部”`|`“通路”`|`“关闭”`|字符串向量|字符向量的细胞向量

`DoF0`- - - - - -初步的估计t分布自由度参数
`10`(默认)|积极的标量

`E0`- - - - - -Presample创新
数字列向量

`GARCH0`- - - - - -过去条件方差项的初始系数估计
数值向量

`Offset0`- - - - - -初始创新均值模型抵消估计
标量

`选项`- - - - - -优化选项
`optimoptions`优化控制器

`半`- - - - - -Presample条件方差
具有正数项的数字列向量

`Leverage0`- - - - - -初始系数估计过去的杠杆项
`0`(默认)|数值向量

`EstMdl`-包含参数估计的条件方差模型
`garch`模型对象|`egarch`模型对象|`gjr`模型对象

`EstParamCov`-最大似然估计的方差-协方差矩阵
数字矩阵

`logL`-优化的对数似然目标函数值
标量

`信息`——优化总结
结构数组