这个例子展示了如何从一个拟合历史数据的ARX(1)模型生成最小均方误差(MMSE)和蒙特卡罗预测。回应系列包括投资级公司债券违约率的年度测量值(IGD
).
动态模型需要初始值来进行估计和预测。此外,为了在预测中包括外生效应,一个包含回归成分的模型需要预测期内的外生数据。因此,本例演示了如何将样本时间轴划分为预样本期、估计期和预测期,以获得所需的数据。
加载包含信用违约率的数据集。
负载Data_CreditDefaults
关于数据集的详细信息,显示描述
.
表数据表
包含年度度量,但数据集与时间基准无关。要将时间基础应用于数据,请进行转换数据表
一个时间表。
台= table2timetable(数据表,“RowTimes”datetime(数据表。日期,“格式”,“yyyy”));
计量经济学工具箱™华宇电脑
软件删除缺失的观察(由南
S)从数据使用列表删除。此操作将影响如何划分数据。
确定数据中的任何行是否包含至少一个缺失的观测值。
idxmiss =任何(ismissing(台),2);anymissing =总和(idxmiss)
anymissing = 0
数据中没有遗漏的观测数据。
确定总样本量。
T =大小(1台)
T = 21
假设数据中的所有序列都是平稳的,考虑IGD率的ARX(1)模型:
在哪里 是一个iid序列的高斯随机变量,其均值为0,方差有限。
为了估计ARX(1)模型,第一次响应的条件均值需要前一次响应。因此,估计的前样本周期是数据的第一行。此外,考虑将IGD预测为8年的预测范围,并将预测与观测到的响应进行比较。因此,预测期是最后八行数据。使模型适合于其余的数据。
创建识别样本、估计和预测周期的指标向量。
跳频= 8;%预测地平线idxpre = 1;idxest = 2:(T - fh);idxf = (T - fh + 1):T;流('\ npreample period: %d\nEstimation period: %d - %d\nForecast period: %d - %d\n',...(资源描述。时间([idxpre idxest(1) idxest(end) idxf(1) idxf(end)]))
样本期:1984估计期:1985 - 1996预测期:1997 - 2004
创建一个华宇电脑
表示ARX(1)模型的模型对象。
Mdl = arima (1,0,0)
描述:“arima(1,0,0)模型(高斯分布)”分布:Name = "Gaussian" P: 1 D: 0 Q: 0 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {} SMA:{}季节性:0 Beta: [1×0] Variance: NaN
Mdl
是评估的模板。的属性Mdl
有价值的南
对应于待估计的未知ARX(1)模型参数估计
.虽然有回归系数的性质β
是空的,估计
根据指定的外生数据矩阵中的列数确定其大小。
拟合模型到估计样本响应和外生数据。指定前样例响应。
X =台{:,“年龄”“论坛”“SPR”]};Mdl =估计(Mdl Tbl.IGD (idx),“Y0”Tbl.IGD (idxpre),...“X”X (idx:));
ARIMAX(1,0,0)模型(高斯分布):值StandardError TStatistic PValue __________ _____________ __________ ________ Constant 0.022517 0.20278 0.11104 0.91158 AR{1} -0.18486 0.43861 -0.42146 0.67342 Beta(1) 0.0091356 0.016249 0.56224 0.57395 Beta(2) -0.0098351 0.0053577 -1.8357 0.066402 Beta(3) 0.0039044 0.057031 0.068461 0.94542方差0.0027082 0.0014648 1.8489 0.064468
Mdl
是完全指定的华宇电脑
模型对象表示一个拟合的ARX(1)模型。估计摘要表明,除论坛
(β- (2)
)在10%的显著性水平上是不显著的。
将MMSE响应预测到8年的预测范围内,并计算相应的预测误差方差。因为提前一个时期的预测 需要前样例响应 和 -前期预测需要外部数据 ,将估计样本中的最终响应指定为预样本响应,并指定预测期外生数据。
(yf, ymse) =预测(Mdl、跳频、Tbl.IGD (idx(结束),...“XF”X (idxf:));
假设预测是正态分布的,计算预测区间。
= yf + 1.96*[-根号(ymse)根号(ymse)];
利用MMSE预测和预测区间绘制响应序列。
图h1 = plot(Tbl.Time,Tbl.IGD,“ko - - - - - -”,“线宽”2);持有在h2 =情节(Tbl.Time (idxf)、yf,凯西:”,“线宽”2);h3 =情节(Tbl.Time (idxf), ci,“:”,“线宽”2);甘氨胆酸h =;px =(资源。时间(idxf([1 end end 1]));py = h.YLim([1 1 2 2]);Hf = fill(px,py,[0.9 0.9 0.9]);uistack(高频,“底”);[h1 h2 h3(1) hf],[“观察”“预测”...“95%间隔”“预测期”],“位置”,“西北”)标题(“IGD率和MMSE预测”)包含(“年”) ylabel (“IGD(%)”)轴紧持有从
尽管2001年出现了极端情况,但这些预测似乎是合理的。
从拟合的ARX(1)模型模拟100条路径预测响应。然后,通过计算预测期内每个时间点的平均值和2.5%和97.5%的区间来聚合随机路径。与MMSE预测估算相似,模拟
需要前样例响应
生成
从拟合的ARX(1)模型中,需要预测期内的外生数据。
nsim = 100;rng (1);YMC =模拟(Mdl、跳频“NumPaths”nsim,...“Y0”, Tbl.IGD (idx(结束),“X”X (idxf:));YMCbar =意味着(YMC, 2);YMCci =分位数(YMC',[0.025 0.975]);
用蒙特卡洛预测和95%百分位区间绘制响应序列。
图h1 = plot(Tbl.Time,Tbl.IGD,“ko - - - - - -”,“线宽”2);持有在h2 =情节(Tbl.Time (idxf) YMC,“颜色”[0.7 0.7 0.7]);h3 =情节(Tbl.Time (idxf) YMCbar,“c:”,“线宽”3);h4 =情节(Tbl.Time (idxf) YMCci,“:”,“线宽”3);甘氨胆酸h =;px =(资源。时间(idxf([1 end end 1]));py = h.YLim([1 1 2 2]);Hf = fill(px,py,[0.9 0.9 0.9]);uistack(高频,“底”);[h1 h2(1) h3 h4(1) hf],[“观察”“蒙特卡罗路径”...“蒙特卡罗的意思”“95%间隔”“预测期”],“位置”,“西北”)标题(IGD利率和蒙特卡罗预测)包含(“年”) ylabel (“IGD(%)”)轴紧持有从
蒙特卡罗预测和预测区间与MMSE预测相似。
Helwege J.和P. Kleiman。《理解高收益债券的总违约率》《经济与金融时事》.1996年第2卷第6期,第1-6页。
G.吕弗勒和P. N.波许。基于Excel和VBA的信用风险建模.英格兰西苏塞克斯:威利金融,2007。