估计

拟合条件方差模型

折叠所有页面

语法

EstMdl =估计(Mdl,y)

EstMdl =估计(Mdl,y，名称，值)

[EstMdl,EstParamCov,logL,info] =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用观察到的单变量时间序列y，使用最大似然。EstMdl存储结果的完全指定的条件方差模型对象。是同型号的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先示例创新。

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为优化后的对数似然目标函数。
信息，一种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

无初始值的GARCH模型参数估计

打开实时脚本

用GARCH(1,1)模型拟合模拟数据。

从GARCH(1,1)模型中模拟500个数据点

$y_{t} ＝ ε_{t} ，$

在哪里 $ε_{t} ＝ σ_{t} z_{t}$ 而且

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

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；%用于再现性[v,y] =模拟(mdl0500);

输出v包含模拟的条件方差。y是模拟响应(创新)的列向量。

指定一个具有未知系数的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):Value StandardError TStatistic PValue __________ _____________ __________ __________ Constant 9.8911e-05 3.0726e-05 3.2191 0.001286 GARCH{1} 0.45394 0.11193 4.0557 4.9986e-05 ARCH{1} 0.26374 0.056931 4.6326 3.6111e-06

EstMdl = garch属性:描述:“garch(1,1)条件方差模型(高斯分布)”分布:名称= "高斯" P: 1 Q: 1常量:9.89107e-05 GARCH: {0.453936} at lag [1] ARCH: {0.263739} at lag[1]偏移:0

结果是一个新的garch模型称为EstMdl．中的参数估计EstMdl与生成模拟数据的参数值相似。

无初始值的EGARCH模型参数估计

打开实时脚本

拟合EGARCH(1,1)模型模拟数据。

从EGARCH(1,1)模型中模拟500个数据点

$y_{t} ＝ ε_{t} ，$

在哪里 $ε_{t} ＝ σ_{t} z_{t} ，$ 而且

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

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%用于再现性[v,y] =模拟(mdl0500);

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(Gaussian分布):Value StandardError TStatistic PValue ___________ _____________ __________ __________ Constant -0.00063866 0.031698 -0.020148 0.98392 GARCH{1} 0.70506 0.067359 10.467 1.2221e-25 ARCH{1} 0.56774 0.074746 7.5956 3.063e-14 Leverage{1} -0.32116 0.053345 -6.0204 1.7399e-09

EstMdl = egarch属性:描述:“egarch(1,1)条件方差模型(高斯分布)”分布:名称= "高斯" P: 1 Q: 1常量:-0.000638661 GARCH: {0.705065} at lag [1] ARCH: {0.567741} at lag[1]杠杆:{-0.321158}at lag[1]偏移:0

结果是一个新的egarch模型称为EstMdl．中的参数估计EstMdl与生成模拟数据的参数值相似。

估算无初始值的GJR模型参数

打开实时脚本

拟合GJR(1,1)模型模拟数据。

从GJR(1,1)模型中模拟500个数据点。

$y_{t} ＝ ε_{t} ，$

在哪里 $ε_{t} ＝ σ_{t} z_{t}$ 而且

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

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；%用于再现性[v,y] =模拟(mdl0500);

输出v包含模拟的条件方差。y是模拟响应(创新)的列向量。

指定一个具有未知系数的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):Value 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杠杆{1}0.25051 0.11265 2.2237 0.026171

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

结果是一个新的gjr模型称为EstMdl．中的参数估计EstMdl与生成模拟数据的参数值相似。

使用预采样数据估计GARCH模型参数

打开实时脚本

用GARCH(1,1)模型拟合纳斯达克综合指数日收盘价收益。

加载工具箱中包含的NASDAQ数据。将索引转换为返回值。

负载Data_EquityIdx纳斯达克= dattable . nasdaq;Y = price2ret(纳斯达克);T =长度(y);图(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对象包含一个类型为line的对象。

收益表现出波动性聚类。

指定GARCH(1,1)模型，并将其适合于该系列。初始化这个模型需要一个预样创新。使用第一个观察y作为创新的必要前提。

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):Value 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

EstMdl = garch属性:描述:“garch(1,1)条件方差模型(高斯分布)”分布:名称= "高斯" P: 1 Q: 1常量:1.99867e-06 GARCH: {0.883563} at lag [1] ARCH: {0.109027} at lag[1]偏移量:0

EstParamCov =3×310⁴× 0.0000 -0.0000 0.0000 -0.0000 0.7113 -0.5343 0.0000 -0.5343 0.5848

输出EstMdl是一个新的garch用估计的参数建立模型。

使用输出方差-协方差矩阵来计算估计的标准误差。

se = sqrt(diag(EstParamCov))

se =3×10.0000 0.0084 0.0076

这些是估计输出显示中显示的标准误差。它们(按顺序)对应于常数、GARCH系数和ARCH系数。

使用预样本数据估计EGARCH模型参数

打开实时脚本

用EGARCH(1,1)模型拟合纳斯达克综合指数日收盘价收益。

加载工具箱中包含的NASDAQ数据。将索引转换为返回值。

负载Data_EquityIdx纳斯达克= dattable . nasdaq;Y = price2ret(纳斯达克);T =长度(y);图(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对象包含一个类型为line的对象。

收益表现出波动性聚类。

指定一个EGARCH(1,1)模型，并使其适合该系列。初始化这个模型需要一个预样创新。使用第一个观察y作为创新的必要前提。

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):Value StandardError TStatistic PValue _________ _____________ __________ __________ Constant -0.13478 0.022092 -6.101 1.0539e-09 GARCH{1} 0.98391 0.0024221 406.22 0 ARCH{1} 0.19964 0.013966 14.296 2.3323e-46杠杆{1}-0.060243 0.005647 -10.668 1.4356e-26

EstMdl = egarch属性:描述:“egarch(1,1)条件方差模型(高斯分布)”分布:名称= "高斯" P: 1 Q: 1常量:-0.134785 GARCH: {0.983909} at lag [1] ARCH: {0.199645} at lag[1]杠杆:{-0.0602432}at lag[1]偏移:0

EstParamCov =4×410³× 0.4881 0.0533 -0.1018 0.0106 0.0533 0.0059 -0.0118 0.0017 -0.1018 -0.0118 0.1950 0.0016 0.0106 0.0017 0.0016 0.0319

输出EstMdl是一个新的egarch用估计的参数建立模型。

使用输出方差-协方差矩阵来计算估计的标准误差。

se = sqrt(diag(EstParamCov))

se =4×10.0221 0.0024 0.0140 0.0056

这些是估计输出显示中显示的标准误差。它们(按顺序)对应于常数、GARCH系数、ARCH系数和杠杆系数。

使用预采样数据估计GJR模型参数

打开实时脚本

用GJR(1,1)模型拟合纳斯达克综合指数日收盘价收益。

加载工具箱中包含的NASDAQ数据。将索引转换为返回值。

负载Data_EquityIdx纳斯达克= dattable . nasdaq;Y = price2ret(纳斯达克);T =长度(y);图(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对象包含一个类型为line的对象。

收益表现出波动性聚类。

指定一个GJR(1,1)模型，并使其适合该系列。初始化这个模型需要一个预样创新。使用第一个观察y作为创新的必要前提。

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):Value StandardError TStatistic PValue __________ _____________ __________ __________ Constant 2.4569e-06 5.6863e-07 4.3208 1.5549e-05 GARCH{1} 0.88133 0.0094909 92.86 0 ARCH{1} 0.06414 0.0092031 6.9693 3.1843e-12 Leverage{1} 0.088796 0.0099186 8.9525 3.4746e-19

描述:“gjr(1,1)条件方差模型(高斯分布)”分布:名称= "高斯" P: 1 Q: 1常量:2.45693e-06 GARCH: {0.881333} at lag [1] ARCH: {0.0641399} at lag[1]杠杆:{0.088796}at lag[1]偏移:0

EstParamCov =4×410⁴× 0.0000 -0.0000 0.0000 0.0000 -0.0000 0.9008 -0.6940 0.0002 0.0000 -0.6940 0.8470 -0.3614 0.0000 0.0002 -0.3614 0.9838

输出EstMdl是一个新的gjr用估计的参数建立模型。

使用输出方差-协方差矩阵来计算估计的标准误差。

se = sqrt(diag(EstParamCov))

se =4×10.0000 0.0095 0.0092 0.0099

这些是估计输出显示中显示的标准误差。它们(按顺序)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

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

估计对非南元素Mdl作为等式约束，并没有估计相应的参数。

`y`- - - - - -响应数据的单路径
数值列向量

响应数据的单一路径，指定为数值列向量。该软件推断条件方差从y，即模型拟合的数据。

y通常是一个均值为0且条件方差的创新序列，其特征是在Mdl．在这种情况下，y是创新系列的延续吗E0．

y也可以表示均值为0加上偏移量的创新序列。一个非零抵消中包含偏移量的信号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

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。

在R2021a之前，使用逗号分隔每个名称和值，并将其括起来的名字在报价。

例子:“显示”,“通路”,“E0”,[0.1;0.05)指定显示迭代优化信息，和(0.05;0.1)作为创新的范例。

GARCH, EGARCH，和GJR模型

全部折叠

`ARCH0`- - - - - -与过去的创新项相对应的初始系数估计
数值向量

初始系数估计对应于过去的创新项，指定为逗号分隔的对，由“ARCH0”和一个数值向量。

GARCH (P，问)及GJR(P，问)模型:
- ARCH0必须是包含非负元素的数值向量。
- ARCH0包含与组成ARCH多项式的过去平方创新项相关的初始系数估计值。
- 默认情况下,估计使用标准时间序列技术获得初始估计。
EGARCH (P，问)模型:
- ARCH0包含与构成ARCH多项式的过去标准化创新的量级相关的初始系数估计。
- 默认情况下,估计将模型中与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。所有其他值都为零。

里面的系数数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”和一个数值标量。

GARCH (P，问)及GJR(P，问)模型,Constant0必须是正数。

默认情况下,估计使用标准时间序列技术获得初始估计。

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|特征向量的单元向量

命令窗口显示选项，指定为由逗号分隔的对组成“显示”和这个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统计信息、迭代优化信息和优化诊断
`“通路”`	迭代优化信息
`“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
数值列向量

预采样创新，指定为逗号分隔的对，由“E0”和一个数值列向量。预样创新为条件方差模型的创新过程提供了初始值Mdl．预样创新来源于均值为0的分布。

E0必须包含至少Mdl。问行。如果E0因此，包含额外的行估计使用最新的Mdl。问presample创新。最后一行是最新的样品创新。

默认值为:

GARCH (P，问)及GJR(P，问)模型,估计将任何必要的预样创新设置为偏移调整响应系列的平均平方值的平方根y．
EGARCH (P，问)模型,估计将任何必要的预样创新设置为零。

数据类型:双

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

过去条件方差项的初始系数估计，指定为由逗号分隔的对组成“GARCH0”和一个数值向量。

GARCH (P，问)及GJR(P，问)模型:
- GARCH0必须是包含非负元素的数值向量。
- 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值。

里面的系数数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获得初始估计。

数据类型:双

`Offset0`- - - - - -初始创新均值模型偏移估计
标量

初始创新平均模型偏移估计，指定为由逗号分隔的对组成“Offset0”一个标量。

默认情况下,估计的样本均值设置初始估计y．

数据类型:双

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

优化选项，指定为由逗号分隔的对组成“选项”和一个optimoptions优化控制器。有关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，将约束容差更改为1 e-6,设置选项= optimoptions(@fmincon，' constrainttolance '，1e-6，'Algorithm'，'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”而且ConstraintTolerance是1 e -．

`半`- - - - - -预采样条件方差
带有正项的数字列向量

预采样条件方差，指定为逗号分隔的对，由“半”和带有正项的数字列向量。半为条件方差模型的条件方差过程提供初始值Mdl．

GARCH (P，问)及GJR(P，问)模型,半至少要有Mdl。P行。

EGARCH (P，问)模型,半至少要有max (Mdl.P Mdl.Q)行。

如果行数半超过必要的数目，只使用最新的观测值。最后一行包含最新的观察结果。

默认情况下,估计将必要的预采样条件方差设置为偏移调整响应序列的平均平方值y．

数据类型:双

对于EGARCH和GJR模型

全部折叠

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

初始系数估计过去的杠杆条款，指定为由逗号分隔的对组成“Leverage0”和一个数值向量。

EGARCH (P，问)模型,Leverage0包含与组成杠杆多项式的过去标准化创新项相关的初始系数估计。

GJR (P，问)模型,Leverage0包含与组成杠杆多项式的过去、平方、负创新相关的初始系数估计值。

里面的系数数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

南预样本或估计数据中的S表示缺失数据，和估计删除它们。该软件合并预样本数据(E0而且半)与有效样本数据(y)，然后使用列表删除删除至少包含一个的行南．删除南数据中的S减少了样本量，也可以创建不规则的时间序列。
估计假设同步预采样数据，使最新的观察结果同时发生。
的值显示，那么它优先于优化选项的规范诊断而且显示．否则,估计执行与优化选项中优化信息显示相关的所有选择。
如果您没有指定E0而且半,然后估计从偏移调整响应过程的无条件或长期方差中获得必要的预样本观测值。
- 对于所有条件方差模型，半偏移调整响应数据的扰动平方的样本平均值吗y．
- GARCH (P，问)及GJR(P，问)模型,E0是偏移调整响应序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效应最小化。

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

包含参数估计的条件方差模型，返回为garch，egarch,或gjr模型对象。估计使用最大似然计算不受约束的所有参数估计Mdl(即约束参数具有已知值)。

EstMdl是一个完全指定的条件方差模型。要推断诊断检查的条件方差，请通过EstMdl来推断出．若要模拟或预测条件方差，则通过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，作为数值矩阵返回。

与最大似然估计的任何参数相关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着主对角线的条目的平方根。

与固定为相等约束所包含的任何参数相关联的行和列0年代。

估计采用梯度外积(OPG)法进行协方差矩阵估计．

估计对参数进行排序EstParamCov如下:

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

数据类型:双

`logL`优化了对数似然目标函数值
标量

优化的对数似然目标函数值，作为标量返回。

数据类型:双

`信息`-优化总结
结构数组

优化摘要，作为包含本表中所述字段的结构数组返回。

场	描述
`exitflag`	优化退出标志(参见`fmincon`在优化工具箱中)
`选项`	优化选项控制器(参见`optimoptions`而且`fmincon`在优化工具箱中)
`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年四月):307-27。https://doi.org/10.1016/0304 - 4076 (86) 90063 - 1．

[２]Bollerslev,蒂姆。“投机价格和回报率的有条件异方差时间序列模型”《经济学与统计学评论》69(1987年8月):542-47。https://doi.org/10.2307/1925546．

[3]博克斯，g.e.p, g.m.詹金斯，g.c.赖塞尔。时间序列分析:预测与控制．恩格尔伍德悬崖，新泽西州:普伦蒂斯大厅，1994年。

恩德斯，W。应用计量经济学时间序列．霍博肯，新泽西州:约翰·威利父子，1995年。

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

[6]格洛斯滕，L. R.贾格纳森和D. E.朗克尔。“论股票名义超额收益的期望值与波动率的关系。”金融杂志．第48卷，第5期，1993年，1779-1801页。

[7]格林W. H.计量经济学分析．《上马鞍河》，新泽西州:Prentice Hall出版社，1997年版。

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

估计

语法

描述

例子

无初始值的GARCH模型参数估计

无初始值的EGARCH模型参数估计

估算无初始值的GJR模型参数

使用预采样数据估计GARCH模型参数

使用预样本数据估计EGARCH模型参数

使用预采样数据估计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
数值列向量

名称-值参数

`ARCH0`- - - - - -与过去的创新项相对应的初始系数估计
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|特征向量的单元向量

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

`E0`- - - - - -Presample创新
数值列向量

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

`Offset0`- - - - - -初始创新均值模型偏移估计
标量

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

`半`- - - - - -预采样条件方差
带有正项的数字列向量

`Leverage0`- - - - - -初始系数估计过去的杠杆条款
`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`优化了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

版本历史

另请参阅

对象

功能

主题

估计

语法

描述

例子

无初始值的GARCH模型参数估计

无初始值的EGARCH模型参数估计

估算无初始值的GJR模型参数

使用预采样数据估计GARCH模型参数

使用预样本数据估计EGARCH模型参数

使用预采样数据估计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值列向量

名称-值参数

ARCH0- - - - - -与过去的创新项相对应的初始系数估计数值向量

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|特征向量的单元向量

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

E0- - - - - -Presample创新数值列向量

GARCH0- - - - - -过去条件方差项的初始系数估计数值向量

Offset0- - - - - -初始创新均值模型偏移估计标量

选项- - - - - -优化选项optimoptions优化控制器

半- - - - - -预采样条件方差带有正项的数字列向量

Leverage0- - - - - -初始系数估计过去的杠杆条款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优化了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

版本历史

另请参阅

对象

功能

主题

`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
数值列向量

`ARCH0`- - - - - -与过去的创新项相对应的初始系数估计
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|特征向量的单元向量

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

`E0`- - - - - -Presample创新
数值列向量

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

`Offset0`- - - - - -初始创新均值模型偏移估计
标量

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

`半`- - - - - -预采样条件方差
带有正项的数字列向量

`Leverage0`- - - - - -初始系数估计过去的杠杆条款
`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`优化了对数似然目标函数值
标量

`信息`-优化总结
结构数组