条件方差时间序列模型
使用gjr
来指定一个单变量GJR (Glosten, Jagannathan,和Runkle)模型。的gjr
函数返回一个gjr
对象的函数形式GJR (P,问)模型,并保存其参数值。
a的关键成分gjr
模型包括:
GARCH多项式,由滞后条件方差组成。程度用表示P.
ARCH多项式,由滞后平方创新构成。
杠杆多项式,由滞后平方,负创新组成。
ARCH和杠杆多项式次数的最大值,表示为问.
PGARCH多项式的最大非零滞后是多少问是ARCH和杠杆多项式的最大非零滞后。其他模型成分包括创新均值模型偏移量、条件方差模型常数和创新分布。
所有系数均为未知数(南
值)和可估计的,除非您使用名称-值对参数语法指定它们的值。要估计包含给定数据的全部或部分未知参数值的模型,使用估计
.对于完全指定的模型(所有参数值已知的模型),使用以下方法模拟或预测响应模拟
或预测
,分别。
返回0度条件方差Mdl
= gjrgjr
对象。
简写语法为您提供了一种简单的方法来创建适合于不受限制的参数估计的模型模板。例如,要创建包含未知参数值的GJR(1,2)模型,输入:
Mdl = gjr(1、2);
P
- - - - - -GARCH多项式程度GARCH多项式的次数,指定为非负整数。在GARCH多项式和时间t, MATLAB®包括所有来自滞后的连续条件方差项t- 1 through lagt- - - - - -P
.
属性指定此参数gjr
(P, Q)
简写语法。
如果P
> 0,则必须指定问
作为正整数。
例子:gjr (1, 1)
数据类型:双
问
- - - - - -拱多项式程度ARCH多项式的次数,指定为非负整数。在ARCH多项式中t, MATLAB包括所有连续的平方创新项(ARCH多项式)和平方,负创新项(杠杆多项式)从滞后t- 1 through lagt- - - - - -问
.
属性指定此参数gjr
(P, Q)
简写语法。
如果P
> 0,则必须指定问
作为正整数。
例子:gjr (1, 1)
数据类型:双
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
.
手工语法使您能够创建一些或所有系数已知的模型。在评估期间,估计
对任何已知参数施加等式约束。
“ARCHLags”,[1 - 4],“拱”,{南南}
指定一个GJR(0,4)模型和未知但非零的滞后ARCH系数矩阵1
和4
.
GARCHLags
- - - - - -GARCH多项式滞后1: P
(默认)|唯一正整数的数字向量GARCH多项式滞后,指定为逗号分隔对,由“GARCHLags”
和一个唯一正整数的数字向量。
GARCHLags (
滞后是否与系数相对应j
)GARCH {
.的长度j
}GARCHLags
和GARCH
必须是相等的。
假设所有GARCH系数(由GARCH
属性)为正数或南
值,马克斯(GARCHLags)
的值P
财产。
例子:“GARCHLags”,[1 - 4]
数据类型:双
ARCHLags
- - - - - -拱多项式滞后1:问
(默认)|唯一正整数的数字向量ARCH多项式滞后,指定为逗号分隔对组成“ARCHLags”
和一个唯一正整数的数字向量。
ARCHLags (
滞后是否与系数相对应j
)弓{
.的长度j
}ARCHLags
和拱
必须是相等的。
假设所有ARCH和杠杆系数(由拱
和利用
属性)为正数或南
值,马克斯([ARCHLags LeverageLags])
的值问
财产。
例子:“ARCHLags”,[1 - 4]
数据类型:双
LeverageLags
- - - - - -利用多项式滞后1:问
(默认)|唯一正整数的数字向量利用多项式滞后,指定为逗号分隔对组成“LeverageLags”
和一个唯一正整数的数字向量。
LeverageLags (
滞后是否与系数相对应j
)利用{
.的长度j
}LeverageLags
和利用
必须是相等的。
假设所有ARCH和杠杆系数(由拱
和利用
属性)为正数或南
值,马克斯([ARCHLags LeverageLags])
的值问
财产。
例子:LeverageLags, 1:4
数据类型:双
您可以在通过使用名称-值对参数语法创建模型对象时设置可写属性值,或者在通过使用点表示法创建模型对象之后设置可写属性值。例如,要创建一个系数未知的GJR(1,1)模型,然后指定at自由度未知的创新分布,进入:
Mdl = gjr(“GARCHLags”1“ARCHLags”,1);Mdl。分布=“t”;
P
- - - - - -GARCH多项式程度此属性是只读的。
GARCH多项式的次数,指定为非负整数。P
GARCH多项式的最大滞后系数是正的还是南
.滞后小于P
系数可以等于0。
P
指定初始化模型所需的前样本条件方差的最小数目。
如果您使用名称-值对参数来创建模型,那么MATLAB将实现其中一种替代方法(假设最大延迟的系数为正或南
):
如果您指定GARCHLags
,然后P
是最大的指定延迟。
如果您指定GARCH
,然后P
指定值的元素数。如果你也指定GARCHLags
,然后gjr
使用GARCHLags
来确定P
代替。
否则,P
是0
.
数据类型:双
问
- - - - - -ARCH的最大度和杠杆多项式此属性是只读的。
ARCH和杠杆多项式的最大度,指定为非负整数。问
为模型中ARCH和杠杆多项式的最大滞后。在任何一种多项式中,滞后小于问
系数可以等于0。
问
指定启动模型所需的样品创新的最小数量。
如果您使用名称-值对参数来创建模型,那么MATLAB将实现这些替代方案之一(假设ARCH和杠杆多项式中最大滞后的系数为正或南
):
如果您指定ARCHLags
或LeverageLags
,然后问
是两个规格之间的最大值。
如果您指定拱
或利用
,然后问
是两个规范之间元素的最大数目。如果你也指定ARCHLags
或LeverageLags
,然后gjr
使用它们的值来确定问
代替。
否则,问
是0
.
数据类型:双
常数
- - - - - -条件方差模型常数南
(默认)|积极的标量条件方差模型常数,指定为正标量或南
价值。
数据类型:双
GARCH
- - - - - -GARCH多项式系数南
值GARCH多项式系数,指定为正标量的细胞向量或南
值。
如果您指定GARCHLags
,则适用以下条件。
的长度GARCH
和GARCHLags
是相等的。
GARCH {
是滞后系数吗j
}GARCHLags (
.j
)
默认情况下,GARCH
是一个元素个数(GARCHLags)
-by-1细胞向量南
值。
否则,需要满足以下条件。
的长度GARCH
是P
.
GARCH {
是滞后系数吗j
}j
.
默认情况下,GARCH
是一个P
-by-1细胞向量南
值。
的系数GARCH
对应于底层的系数LagOp
滞后算子多项式,并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12
或以下,gjr
排除该系数及其相应的滞后GARCHLags
从模型。
数据类型:细胞
拱
- - - - - -拱多项式系数南
值ARCH多项式系数,指定为正标量的细胞向量或南
值。
如果您指定ARCHLags
,则适用以下条件。
的长度拱
和ARCHLags
是相等的。
弓{
是滞后系数吗j
}ARCHLags (
.j
)
默认情况下,拱
是一个问
-by-1细胞向量南
值。有关详细信息,请参见问
财产。
否则,需要满足以下条件。
的长度拱
是问
.
弓{
是滞后系数吗j
}j
.
默认情况下,拱
是一个问
-by-1细胞向量南
值。
的系数拱
对应于底层的系数LagOp
滞后算子多项式,并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12
或以下,gjr
排除该系数及其相应的滞后ARCHLags
从模型。
数据类型:细胞
利用
- - - - - -利用多项式的系数南
值利用多项式系数,指定为数值标量或的单元格向量南
值。
如果您指定LeverageLags
,则适用以下条件。
的长度利用
和LeverageLags
是相等的。
利用{
是滞后系数吗j
}LeverageLags (
.j
)
默认情况下,利用
是一个问
-by-1细胞向量南
值。有关详细信息,请参见问
财产。
否则,需要满足以下条件。
的长度利用
是问
.
利用{
是滞后系数吗j
}j
.
默认情况下,利用
是一个问
-by-1细胞向量南
值。
的系数利用
对应于底层的系数LagOp
滞后算子多项式,并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12
或以下,gjr
排除该系数及其相应的滞后LeverageLags
从模型。
数据类型:细胞
UnconditionalVariance
- - - - - -模型的无条件方差此属性是只读的。
模型无条件方差,指定为一个正标量。
无条件方差为
κ为条件方差模型常数(常数
).
数据类型:双
抵消
- - - - - -创新平均模型补偿0
(默认)|数字标量|南
创新意味着模型的偏移量,或附加常数,指定为数值标量或南
价值。
数据类型:双
分布
- - - - - -创新过程的条件概率分布“高斯”
(默认)|“t”
|结构数组条件概率分布的创新过程,指定为字符串或结构数组。gjr
将值存储为结构数组。
分布 | 字符串 | 结构数组 |
---|---|---|
高斯 | “高斯” |
结构(“名字”,“高斯”) |
学生的t | “t” |
结构(“名字”,“t”,景深,景深) |
的“景深”
字段指定t自由度分布参数。
景深
> 2或景深
=南
.
景深
是有价值的。
如果您指定“t”
,景深
是南
默认情况下。您可以在创建模型之后通过使用点表示法更改它的值。例如,Mdl.Distribution.DoF = 3
.
如果您提供一个结构数组来指定Student的t分布,则必须指定“名字”
和“景深”
字段。
例子:结构(“名字”,“t”、“景深”,10)
描述
- - - - - -模型描述模型描述,指定为字符串标量或字符向量。gjr
将值存储为字符串标量。例如,默认值描述模型的参数形式GJR(1,1)条件方差模型(高斯分布)
.
数据类型:字符串
|字符
请注意
所有南
-值模型参数,其中包括系数和t-创新-自由分配程度(如果存在)是可估计的。当你传递结果时gjr
对象和数据估计
, MATLAB估计南
有价值的参数。在评估期间,估计
将已知参数视为等式约束,即,估计
将所有已知参数固定在其值上。
通常,ARCH和杠杆多项式的滞后是相同的,但它们的相等性不是必须的。不同的多项式出现在以下情况:
要么弓{Q}
或利用{Q}
符合近乎零的排斥容忍度。在这种情况下,MATLAB从多项式中排除了相应的滞后。
你可以指定不同长度的多项式ARCHLags
或LeverageLags
,或通过设置拱
或利用
财产。
在这两种情况下,问
为两个多项式之间的最大滞后。
创建一个默认的gjr
模型对象并使用点表示法指定其参数值。
创建GJR(0,0)模型。
Mdl = gjr
描述:“gjr(0,0)条件方差模型(高斯分布)”分布:Name = "高斯" P: 0 Q: 0 Constant: NaN GARCH: {} ARCH: {} Leverage: {} Offset: 0
Mdl
是一个gjr
模型对象。它包含一个未知常数,其偏移量为0
,创新分布是“高斯”
.该模型没有GARCH、ARCH或杠杆多项式。
指定两个未知的ARCH,并使用点表示法对滞后1和滞后2利用系数。
Mdl。ARCH = {NaN NaN};Mdl。杠杆= {NaN NaN};Mdl
描述:“gjr(0,2)条件方差模型(高斯分布)”分布:Name = "Gaussian" P: 0 Q: 2 Constant: NaN GARCH: {} ARCH: {NaN NaN} at lag [1 2] Leverage: {NaN NaN} at lag [1 2] Offset: 0
的问
,拱
,利用
属性更新2
,{南南}
,{南南}
,分别。两个ARCH和杠杆系数与滞后1和2相关。
创建一个gjr
使用速记符号建模对象gjr (P, Q)
,在那里P
GARCH多项式的次数是多少问
是ARCH和杠杆多项式的次数。
创建GJR(3,2)模型。
Mdl = gjr (2)
描述:“gjr(3,2)条件方差模型(高斯分布)”分布:Name = "高斯" P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lag [1 2 3] ARCH: {NaN NaN} at lag [1 2] Leverage: {NaN NaN} at lag [1 2] Offset: 0
Mdl
是一个gjr
模型对象。所有的属性Mdl
,除了P
,问
,分布
,都是南
值。默认情况下,软件:
包括一个条件方差模型常数
排除条件平均模型偏移量(即偏移量为)0
)
包括GARCH多项式中直到滞后的所有滞后项P
包括ARCH中的所有滞后项,并利用多项式达到滞后问
Mdl
只指定GJR模型的功能形式。因为它包含未知的参数值,所以可以传递Mdl
和时间序列数据估计
来估计参数。
创建一个gjr
使用名称-值对参数进行建模。
指定GJR(1,1)模型。
Mdl = gjr (“GARCHLags”,1,“ARCHLags”,1,“LeverageLags”, 1)
描述:“gjr(1,1)条件方差模型(高斯分布)”分布:Name = "Gaussian" P: 1 Q: 1 Constant: NaN GARCH: {NaN} at lag [1] ARCH: {NaN} at lag [1] Leverage: {NaN} at lag [1] Offset: 0
Mdl
是一个gjr
模型对象。软件将所有参数设置为南
,除了P
,问
,分布
,抵消
(这是0
默认情况下)。
自Mdl
包含南
值,Mdl
仅适用于估算。通过Mdl
和时间序列数据估计
.
创建具有平均偏移量的GJR(1,1)模型
在哪里
和 是一个独立的同分布标准高斯过程。
Mdl = gjr (“不变”, 0.0001,“四国”, 0.35,...“拱”, 0.1,“抵消”, 0.5,“杠杆”0.01, 0.03 {0})
描述:“gjr(1,3)带偏移的条件方差模型(高斯分布)”分布:Name = "高斯" P: 1 Q: 3 Constant: 0.0001 GARCH: {0.35} at lag [1] ARCH: {0.1} at lag [1] Leverage: {0.03 0.01} at lag [1 3] Offset: 0.5
gjr
将默认值分配给未使用名称-值对参数指定的任何属性。指定杠杆组件的另一种方法是“杠杆”,{0.03 - 0.01},“LeverageLags”,[1 3]
.
访问a的属性gjr
使用点表示法建模对象。
创建一个gjr
模型对象。
Mdl = gjr (2)
描述:“gjr(3,2)条件方差模型(高斯分布)”分布:Name = "高斯" P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lag [1 2 3] ARCH: {NaN NaN} at lag [1 2] Leverage: {NaN NaN} at lag [1 2] Offset: 0
从模型中去掉第二个GARCH项。即,指定第二滞后条件方差的GARCH系数为0
.
Mdl。GARCH {2} = 0
描述:“gjr(3,2)条件方差模型(高斯分布)”分布:Name = "高斯" P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lag [1 3] ARCH: {NaN NaN} at lag [1 2] Leverage: {NaN NaN} at lag [1 2] Offset: 0
GARCH多项式有两个未知参数,分别对应滞后1和3。
显示扰动的分布。
Mdl。分布
ans =结构体字段:名称:“高斯”
干扰为高斯分布,均值为0,方差为1。
指定潜在的扰动有t五自由度分布。
Mdl。分布=结构(“名字”,“t”,“景深”5)
描述:“gjr(3,2)条件方差模型(t分布)”分布:Name = "t", DoF = 5 P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lag [1 3] ARCH: {NaN NaN} at lag [1 2] Leverage: {NaN NaN} at lag [1 2] Offset: 0
指定第一次滞后的ARCH系数为0.2,第二次滞后的ARCH系数为0.1。
Mdl。Arch = {0.2 0.1}
描述:“gjr(3,2)条件方差模型(t分布)”分布:Name = "t", DoF = 5 P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lag [1 3] ARCH: {0.2 0.1} at lag [1 2] Leverage: {NaN NaN} at lag [1 2] Offset: 0
要估计剩下的参数,您可以通过Mdl
和你的数据估计和使用指定的参数作为等式约束。或者,您可以指定其余的参数值,然后通过将完全指定的模型传递给,模拟或预测来自GARCH模型的条件方差模拟
或预测
,分别。
用GJR模型拟合1861-1970年股票价格指数回报率的年度时间序列。
加载Nelson-Plosser数据集。转换年度股票价格指数(SP
)的回报。情节的回报。
负载Data_NelsonPlosser;sp = price2ret (DataTable.SP);图;情节(日期(2:结束),sp);持有在;情节([日期(2)日期(结束)],[0 0),“:”);%图y = 0持有从;标题(“返回”);ylabel (的回报率(%));包含(“年”);轴紧;
返回序列似乎没有条件均值偏移,而且似乎表现出波动性聚类。也就是说,前几年的变异性比后几年小。对于本例,假设GJR(1,1)模型适用于该系列。
创建GJR(1,1)模型。条件平均偏移量默认为零。软件默认包含一个条件方差模型常数。
Mdl = gjr (“GARCHLags”,1,“ARCHLags”,1,“LeverageLags”1);
对数据拟合GJR(1,1)模型。
EstMdl =估计(Mdl, sp);
GJR(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue _________ _____________ __________ ________ Constant 0.0045728 0.0044199 1.0346 0.30086 GARCH{1} 0.55808 0.24 2.3253 0.020057 ARCH{1} 0.20461 0.17886 1.144 0.25263 Leverage{1} 0.18066 0.26802 0.67406 0.50027
EstMdl
是完全指定的gjr
模型对象。也就是说,它不包含南
值。您可以通过使用生成残差来评估模型的充分性推断出
,然后分析它们。
要模拟条件变化或响应,请通过EstMdl
来模拟
.
要预测创新,先过去EstMdl
来预测
.
模拟完全指定的条件方差或响应路径gjr
模型对象。也就是说,根据估计进行模拟gjr
模型或已知的gjr
模型,在其中指定所有参数值。
加载Nelson-Plosser数据集。将年度股票价格指数转换为回报。
负载Data_NelsonPlosser;sp = price2ret (DataTable.SP);
创建GJR(1,1)模型。使模型适合于返回系列。
Mdl = gjr (1,1);EstMdl =估计(Mdl, sp);
GJR(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue _________ _____________ __________ ________ Constant 0.0045728 0.0044199 1.0346 0.30086 GARCH{1} 0.55808 0.24 2.3253 0.020057 ARCH{1} 0.20461 0.17886 1.144 0.25263 Leverage{1} 0.18066 0.26802 0.67406 0.50027
根据估计的GJR模型模拟100条条件方差和响应路径。
numObs =元素个数(sp);%样本容量(T)numPaths = 100;%要模拟的路径数rng (1);%的再现性[VSim, YSim] =模拟(EstMdl numObs,“NumPaths”, numPaths);
VSim
和YSim
是T
——- - - - - -numPaths
矩阵。行对应一个采样周期,列对应一个模拟路径。
绘制模拟路径的平均值和97.5%和2.5%的百分比。将模拟统计数据与原始数据进行比较。
日期=日期(2:结束);VSimBar =意味着(VSim, 2);VSimCI =分位数(VSim,[0.025 0.975],2);YSimBar =意味着(YSim, 2);YSimCI =分位数(YSim,[0.025 0.975],2);图;次要情节(2,1,1);h1 =情节(日期、VSim“颜色”, 0.8 *(1、3));持有在;h2 =情节(日期、VSimBar“k——”,“线宽”2);h3 =情节(日期、VSimCI“r——”,“线宽”2);持有从;标题(模拟的条件方差的);ylabel (的电导率。var。);包含(“年”);轴紧;次要情节(2,1,2);h1 =情节(日期、YSim“颜色”, 0.8 *(1、3));持有在;h2 =情节(日期、YSimBar“k——”,“线宽”2);h3 =情节(日期、YSimCI“r——”,“线宽”2);持有从;标题(“模拟名义回报”);ylabel (的名义收益率(%));包含(“年”);轴紧;传奇([h1 h2 (1) h3 (1)), {“模拟路径”“的意思是”“信心界限”},...“字形大小”7“位置”,“西北”);
预测从一个完全指定的条件方差gjr
模型对象。也就是说,根据估计做出的预测gjr
模型或已知的gjr
模型,在其中指定所有参数值。
加载Nelson-Plosser数据集。转换年度股票价格指数(SP
)的回报。
负载Data_NelsonPlosser;sp = price2ret (DataTable.SP);
创建一个GJR(1,1)模型,并将其适合于返回系列。
Mdl = gjr (“GARCHLags”,1,“ARCHLags”,1,“LeverageLags”1);EstMdl =估计(Mdl, sp);
GJR(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue _________ _____________ __________ ________ Constant 0.0045728 0.0044199 1.0346 0.30086 GARCH{1} 0.55808 0.24 2.3253 0.020057 ARCH{1} 0.20461 0.17886 1.144 0.25263 Leverage{1} 0.18066 0.26802 0.67406 0.50027
用估计的GJR模型预测未来10年的名义收益序列的条件方差。指定整个返回序列作为样本前观察值。该软件推断前样本条件方差使用前样本观察和模型。
numPeriods = 10;vF =预测(EstMdl numPeriods, sp);
绘制名义收益的预测条件方差。将预测与观测到的条件方差进行比较。
v =推断(EstMdl, sp);nV =大小(v, 1);date = date ((end - nV + 1):end);图;情节(日期、v、凯西:”,“线宽”2);持有在;情节(日期(结束):日期(结束)+ 10 (v(结束);vF),“r”,“线宽”2);标题(“收益的预测条件方差”);ylabel (“有条件的差异”);包含(“年”);轴紧;传奇({“估计样品电导率。Var。,预测电导率。var。},...“位置”,“西北”);
的Glosten, Jagannathan和Runkle (GJR)模型是一个动态模型,用于解决创新过程中的条件异方差或波动聚类。当创新过程没有显著的自相关,但过程的方差随时间变化时,就会发生波动聚类。
GJR模型是对GARCH模型的推广,适用于非对称波动率聚类建模[1].具体来说,模型假设当前条件方差是这些线性过程的和,系数为:
过去的条件方差(GARCH分量或多项式)。
过去的平方创新(ARCH成分或多项式)。
过去的平方,消极的创新(杠杆成分或多项式)。
考虑时间序列
在哪里 GJR (P,问条件方差过程, ,具有
的属性对应的变量gjr
对象。在表中,我[x< 0] = 1,否则为0。
变量 | 描述 | 财产 |
---|---|---|
μ | 创新意味着模型常量偏移 | “抵消” |
κ> 0 | 条件方差模型常数 | “不变” |
γj | GARCH分量系数 | “四国” |
αj | 拱分量系数 | “拱” |
ξj | 利用组件系数 | “杠杆” |
zt | 一系列均值为0,方差为1的独立随机变量 | “分布” |
对于平稳性和正性,GJR模型使用以下约束条件:
当负冲击对波动的贡献大于正冲击时,GJR模型是合适的[2].
如果所有杠杆系数均为零,则GJR模型简化为GARCH模型。因为GARCH模型嵌套在GJR模型中,所以可以使用似然比检验来比较GARCH模型拟合与GJR模型拟合。
你可以指定gjr
模型作为条件均值和方差模型组成的一部分。有关详细信息,请参见华宇电脑
.
[1] 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。
Tsay, r.s。金融时间序列分析.第三版。霍博肯,新泽西州:约翰威利父子公司,2010。
次のMATLABコマンドに対応するリンクがクリックされました。
コマンドをMATLABコマンドウィンドウに入力して実行してください。WebブラウザーはMATLABコマンドをサポートしていません。
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。