预测GJR模型

打开实时脚本

这个例子展示了如何使用GJR模型生成MMSE预测预测．

步骤1。指定一个GJR模型。

指定一个没有平均偏移量和的GJR(1,1)模型 $κ ＝ 0 ． 1$ ， $γ_{1} ＝ 0 ． 7$ ， $α_{1} ＝ 0 ． 2$ 而且 $ξ_{1} ＝ 0 ． 1$ ．

Mdl = gjr(“不变”, 0.1,“四国”, 0.7,.．.“拱”, 0.2,“杠杆”, 0.1);

步骤2。生成MMSE预测。

生成100个周期的预测，有或没有指定预样本创新和条件方差。将预测与模型的理论无条件方差一起绘制出来。

v1 =预测(Mdl,100);v2 =预测(Mdl,100，“Y0”, 1.4,“半”, 2.1);denom = 1- mll . garch {1}- mll . arch {1}-0.5* mll . leverage {1};sig2 = mld . constant /denom;图绘制(v1,“颜色”(。9、。9。9),“线宽”, 8)在情节(v2,“线宽”, 2)情节((100 1)* sig2,“k——”，“线宽”，1.5) xlim([0,100]) title(“预测GJR条件方差”)传说(“没有Presamples”，“Presamples”，“理论”，.．.“位置”，“东南”)举行从

图中包含一个轴对象。标题为Forecast GJR Conditional Variance的axes对象包含3个类型为line的对象。这些对象代表无预样本，预样本，理论。

v2 (1)显示预测的条件方差

Ans = 1.9620

在不使用预样本数据的情况下产生的预测等于理论的无条件方差。在缺乏预样本数据的情况下，预测对任何所需的预样创新和条件方差使用无条件方差。

在本例中，对于给定的预样创新和条件方差，起始预测为

${σ_{}^{ˆ}}_{t + 1}^{2} ＝ κ + γ_{1} σ_{t}^{2} + α_{1} ε_{t}^{2} ＝ 0 ． 1 + 0 ． 7 （ 2 ． 1 ） + 0 ． 2 （ 1 ． 4^{2} ）＝ 1 ． 962 ．$

杠杆项不包括在预测中，因为预样本创新为正(因此，负创新指标为零)。

预测GJR模型

步骤1。指定一个GJR模型。

步骤2。生成MMSE预测。

另请参阅

对象

功能

相关的例子

更多关于