GARCH条件方差时间序列模型
使用加油
给出了一个单变量GARCH(广义自回归条件异方差)模型。这加油
函数返回A.加油
对象的函数形式GARCH (P.那问:)模型,并保存其参数值。
a的关键组成部分加油
模型包括:
GARCH多项式,由滞后条件方差组成。程度用表示P..
拱多项式,由滞后的平方创新组成。程度用表示问:.
P.和问:分别为GARCH和ARCH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
= Garch.加油
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GARCH(1,2)模型,请输入:
mdl = garch(1,2);
P.
-加入多项式学位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通过滞后T.-P.
.
您可以使用该参数使用此参数指定加油
(P, Q)
简写语法。
如果P.
> 0,则必须指定问:
作为正整数。
例子:GARCH(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从滞后中包含所有连续的平方创新项T.- 1通过滞后T.-问:
.
您可以使用该参数使用此参数指定加油
(P, Q)
简写语法。
如果P.
> 0,则必须指定问:
作为正整数。
例子:GARCH(1,1)
数据类型:双
指定可选的逗号分离对名称,值
论点。的名字
是参数名称和价值
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,...,namen,valuen
.
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GARCH(0,4)模型和未知,但滞后的非零系数矩阵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”
和一个独特的正整数的数字矢量。
GARCHLags (
是对应于系数的滞后j
的)GARCH {
.的长度j
}Garchlags.
和GARCH
必须是平等的。
假设所有GARCH系数(由GARCH
财产)是积极的或南
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”
和一个独特的正整数的数字矢量。
ARCHLags (
是对应于系数的滞后j
的)弓{
.的长度j
}ARCHLags
和拱
必须是平等的。
假设所有ARCH系数(由拱
财产)是积极的或南
值,max(archlags)
的值问:
财产。
例子:“ARCHLags”,[1 - 4]
数据类型:双
您可以使用名称值对参数语法创建模型对象时设置可写属性值,或者使用点表示法创建模型对象后。例如,要创建一个系数未知的GARCH(1,1)模型,然后指定aT.创新分布不明自由度未知程度,进入:
Mdl = garch(“GARCHLags”1“ARCHLags”,1);Mdl。分布=“t”;
P.
-加入多项式学位此属性是只读的。
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
.滞后不到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.
是最大的指定滞后。
如果您指定GARCH
, 然后P.
是指定值的元素数。如果您还指定了Garchlags.
, 然后加油
用途Garchlags.
来确定P.
反而。
否则,P.
是0.
.
数据类型:双
问:
-拱多项式程度此属性是只读的。
ARCH多项式的次数,指定为非负整数。问:
ARCH多项式的最大滞后系数是正的还是南
.滞后不到问:
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ARCHLags
, 然后问:
是最大的指定滞后。
如果您指定拱
, 然后问:
是指定值的元素数。如果您还指定了ARCHLags
, 然后加油
用它的值来确定问:
反而。
否则,问:
是0.
.
数据类型:双
常数
-条件方差模型常数南
(默认)|正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
-加入多项式系数南
价值加入多项式系数,指定为正标量的细胞矢量或南
值。
如果您指定Garchlags.
,则适用以下条件。
的长度GARCH
和Garchlags.
是平等的。
GARCH {
是滞后系数吗j
}GARCHLags (
.j
的)
默认情况下,GARCH
是一个numel(garchlags)
- 1个细胞向量南
值。
否则,需要满足以下条件。
长度GARCH
是P.
.
GARCH {
是滞后系数吗j
}j
.
默认情况下,GARCH
是一个P.
- 1个细胞向量南
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,加油
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
价值拱形多项式系数,指定为正标量的细胞矢量或南
值。
如果您指定ARCHLags
,则适用以下条件。
的长度拱
和ARCHLags
是平等的。
弓{
是滞后系数吗j
}ARCHLags (
.j
的)
默认情况下,拱
是一个numel(archlags)
- 1个细胞向量南
值。
否则,需要满足以下条件。
长度拱
是问:
.
弓{
是滞后系数吗j
}j
.
默认情况下,拱
是一个问:
- 1个细胞向量南
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,加油
排除该系数及其相应的滞后ARCHLags
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。
无条件方差是
κ..为条件方差模型常数(常数
).
数据类型:双
抵消
-创新意味着模型偏移0.
(默认)|数字标量|南
创新意味着模型偏移,或附加常数,指定为数字标量或南
价值。
数据类型:双
分布
-有条件概率分布创新过程“高斯”
(默认)|“t”
|结构阵列条件概率分布的创新过程,指定为字符串或结构数组。加油
将值存储为结构数组。
分布 | 细绳 | 结构阵列 |
---|---|---|
高斯 | “高斯” |
结构(“名字”,“高斯”) |
学生的T. | “t” |
结构(“名字”,“t”,景深,景深) |
这“景深”
字段指定T.自由度分布参数。
DOF.
> 2或DOF.
=南
.
DOF.
是有价值的。
如果您指定“t”
那DOF.
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,然后您必须指定'姓名'
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。加油
将值存储为字符串标量。例如,默认值描述模型的参数形式GARCH(1,1)条件方差模型(高斯分布)
.
例子:'描述','模型1'
数据类型:字符串
|char
笔记
所有南
-值模型参数,其中包括系数和T.-Inovation分布的自由度(如果存在)是可评估的。当你通过它的结果加油
对象和数据估计
,Matlab估计所有南
- 值。在评估期间,估计
将已知参数视为平等约束,即,估计
保存以其值固定的任何已知参数。
创建默认值加油
模型对象并使用点表示法指定其参数值。
创建一个GARCH(0,0)模型。
Mdl = garch
描述:“garch(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: {} Offset: 0
Mdl
是一个加油
模型。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或ARCH多项式。
使用点符号指定滞后的两个未知拱系数。
mdl.arch = {nan nan}
MDL =带有物业的GARCH:说明:“GARCH(0,2)条件方差模型(高斯分布)”分布:名称=“高斯”P:0 Q:2常数:南加赫:{}拱:{南纳}滞后[1 2]偏移:0
这问:
和拱
属性更新为2
和{南南}
.这两个ARCH系数与滞后1和2有关。
创建一个加油
模型使用速记表示法garch (P, Q)
,在那里P.
是加粗多项式的程度和问:
为ARCH多项式的次数。
创建一个GARCH(3,2)模型。
Mdl = garch (2)
描述:“garch(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] Offset: 0
Mdl
是一个加油
模型对象。所有的属性Mdl
,除了P.
那问:
,分布
,都是南
值。默认情况下,软件:
包括条件方差模型常数
排除条件平均模型偏移量(即偏移量为)0.
的)
包括拱门和加入滞后运营商多项式的所有滞后术语,直到滞后问:
和P.
, 分别
Mdl
只指定GARCH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
和时间序列数据到估计
估计参数。
创建一个加油
使用名称值对参数的模型。
指定一个GARCH(1,1)模型。默认情况下,条件平均模型偏移量为零。指定偏移量为南
.
Mdl = garch (“GARCHLags”,1,“ARCHLags”,1,“抵消”南)
描述:“garch(1,1)带偏移的条件方差模型(高斯分布)”分布:Name = "Gaussian" P: 1 Q: 1 Constant: NaN GARCH: {NaN} at lag [1] ARCH: {NaN} at lag [1] Offset: NaN
Mdl
是一个加油
模型对象。软件将所有参数(模型对象的属性)设置为南
,除了P.
那问:
,分布
.
自从Mdl
包含南
值,Mdl
仅适用于估算。通过Mdl
和时间序列数据估计
.
建立具有平均偏移量的GARCH(1,1)模型,
在哪里
和 是一个独立和相同的分布式标准高斯过程。
Mdl = garch (“不变”,0.0001,“四国”,0.75,...'拱',0.1,“抵消”, 0.5)
描述:“garch(1,1)带偏移的条件方差模型(高斯分布)”分布:Name = "高斯" P: 1 Q: 1 Constant: 0.0001 GARCH: {0.75} at lag [1] ARCH: {0.1} at lag [1] Offset: 0.5
加油
将默认值分配给未使用名称-值对参数指定的任何属性。
访问a的属性加油
使用点表示法建模对象。
创建一个加油
模型对象。
Mdl = garch (2)
描述:“garch(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] 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:“garch(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] Offset: 0
GARCH多项式有两个对应于滞后1和3的未知参数。
显示干扰的分布。
Mdl。分布
ans =结构体字段:名称:“高斯”
干扰是高斯,平均值为0和方差1。
说明潜在的身份识别干扰有T.五自由度分布。
mdl.distribution = struct('姓名'那'T'那“景深”5)
描述:“garch(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] 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。一种RCH = {0.2 0.1}
描述:“garch(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] Offset: 0
要估算剩余的参数,可以通过Mdl
和你的数据估计
并使用指定的参数作为平等约束。或者,您可以通过将完全指定的型号传递给GADCH模型来指定参数值的其余部分,然后通过将完全指定的模型进行模拟或预测条件方差模拟
或预测
, 分别。
用GARCH模型拟合1922-1999年丹麦名义股票收益的年度时间序列。
加载data_danish.
数据集。绘制名义回报率(nr
).
加载data_danish.;nr = DataTable.RN;图;情节(日期、nr);抓住在;绘图([日期(1)日期(结束)],[0 0],“:”);%图y = 0抓住从;标题(“丹麦名义股票回报”);ylabel ('标称返回(%)');Xlabel('年');
名义收益序列似乎有一个非零的条件平均抵消,似乎表现出波动聚类。也就是说,前几年的变异性比后几年小。对于本例,假设GARCH(1,1)模型适用于这个系列。
创建一个GARCH(1,1)模型。条件平均偏移量默认为零。要估计偏移量,指定它为南
.
Mdl = garch (“GARCHLags”,1,“ARCHLags”,1,“抵消”、南);
对数据拟合GARCH(1,1)模型。
EstMdl =估计(Mdl、nr);
GARCH(1,1)条件方差模型与偏移(高斯分布):值StandardError的TStatistic p值_________ _____________ __________ _________常数0.0044476 0.007814 0.56918 0.56923 GARCH {1} 0.84932 0.26495 3.2056 0.0013477 ARCH {1} 0.07325 0.14953 0.48986 0.62423 0.11227偏移0.039214 2.8629 0.0041974
EstMdl
是完全指定的加油
模型对象。也就是说,它不包含南
值。您可以通过使用残差来评估模型的充分性推断出
,然后分析它们。
模拟条件差异或响应,通过EstMdl
来模拟
.
预测创新,通过EstMdl
来预测
.
模拟完全指定的条件方差或响应路径加油
模型对象。也就是说,根据估计进行模拟加油
模型或已知的加油
您指定所有参数值的模型。
加载data_danish.
数据集。
加载data_danish.;nr = DataTable.RN;
建立一个条件平均偏移量未知的GARCH(1,1)模型。将模型与年度名义收益系列相匹配。
Mdl = garch (“GARCHLags”,1,“ARCHLags”,1,“抵消”、南);EstMdl =估计(Mdl、nr);
GARCH(1,1)条件方差模型与偏移(高斯分布):值StandardError的TStatistic p值_________ _____________ __________ _________常数0.0044476 0.007814 0.56918 0.56923 GARCH {1} 0.84932 0.26495 3.2056 0.0013477 ARCH {1} 0.07325 0.14953 0.48986 0.62423 0.11227偏移0.039214 2.8629 0.0041974
从估计的GARCH模型中模拟每个时期的100条条件方差和响应路径。
numObs =元素个数(nr);%样本容量(T)numpaths = 100;估计的路径数量RNG(1);再现性的百分比[vsim,ysim] =模拟(estmdl,numobs,“NumPaths”,numpaths);
VSIM
和YSim
是T.
-经过-numpaths.
矩阵。行对应一个采样周期,列对应一个模拟路径。
绘制平均值和97.5%和2.5%的模拟路径百分比。将模拟统计信息与原始数据进行比较。
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));抓住在;h2 =情节(日期、VSimBar'k-'那“线宽”2);h3 =情节(日期、VSimCI“r——”那“线宽”2);抓住从;标题(模拟的条件方差的);ylabel ('条件。var。');Xlabel('年');子图(2,1,2);h1 = plot(日期,ysim,'颜色',0.8 *(1,3));抓住在;h2 =情节(日期、YSimBar'k-'那“线宽”2);h3 =情节(日期、YSimCI“r——”那“线宽”2);抓住从;标题('模拟名义回报');ylabel ('标称返回(%)');Xlabel('年');传奇([h1 h2 (1) h3 (1)), {“模拟路径”'意思'“信心界”},...“字形大小”7,7,“位置”那“西北”);
预测从一个完全指定的条件方差加油
模型对象。也就是说,从估计的预测加油
模型或已知的加油
您指定所有参数值的模型。遵循的例子估计GARCH模型.
加载data_danish.
数据集。
加载data_danish.;nr = DataTable.RN;
创建具有未知条件平均偏移的GARCH(1,1)模型,并将模型适合年度标称回报系列。
Mdl = garch (“GARCHLags”,1,“ARCHLags”,1,“抵消”、南);EstMdl =估计(Mdl、nr);
GARCH(1,1)条件方差模型与偏移(高斯分布):值StandardError的TStatistic p值_________ _____________ __________ _________常数0.0044476 0.007814 0.56918 0.56923 GARCH {1} 0.84932 0.26495 3.2056 0.0013477 ARCH {1} 0.07325 0.14953 0.48986 0.62423 0.11227偏移0.039214 2.8629 0.0041974
利用估计的GARCH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前样例观察。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,NR);
绘制名义回报的预测条件差异。将预测与观察到的条件差异进行比较。
v =推断(EstMdl nr);图;情节(日期、v、凯西:”那“线宽”2);抓住在;绘图(日期(结束):日期(结束)+ 10,[v(结束); vf],'r'那“线宽”2);标题(“预测名义回报的条件差异”);ylabel ('条件差异');Xlabel('年');传奇({“估计样品电导率。var。'那'预测圣章。var。'},...“位置”那'最好的事物');
一种GARCH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。
GARCH模型假设当前条件方差是这些线性过程的和,每一项的系数为:
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)
创新均值和条件方差模型的常数补偿
考虑时间序列
在哪里 garch(P.那问:条件方差过程, ,具有
在滞后算子表示法中,模型为
该表显示了变量如何对应于的属性加油
模型对象。
多变的 | 描述 | 财产 |
---|---|---|
μ. | 创新意味着模型恒定偏移 | “抵消” |
κ..> 0 | 条件方差模型常数 | “不变” |
GARCH分量系数 | “四国” |
|
拱分量系数 | '拱' |
|
Z.T. | 一系列均值为0,方差为1的独立随机变量 | “分布” |
对于实质性和积极性,GARCH模型使用这些约束:
恩格尔的原始拱(问:)模型等价于GARCH(0,问:)规范。
当正冲击和负冲击对波动性的贡献相等时,GARCH模型是合适的[1].
你可以指定加油
模型作为条件均值和方差模型的组成的一部分。有关详细信息,请参阅阿玛玛
.
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。
다음matlab명령명령에해당해당링크를클릭
명령을실행하려면MATLAB명령창에입력하십시오。웹브라우저는matlab명령을지원하지않습니다。
你也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获得最佳网站性能。其他MathWorks国家网站未优化您所在地的访问。