GARCH条件方差时间序列模型
采用加油
指定单变量加曲(广义自回归条件异源间)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,并存储其参数值。
a的关键成分加油
型号包括:
加入多项式,由滞后条件差异组成。程度是表示的P..
ARCH多项式,由滞后平方创新构成。程度是表示的问:.
P.和问:GARCH和ARCH多项式中的最大非零滞后是。其他模型组件包括创新均值模型偏移,条件方差模型常数和创新分布。
所有系数均为未知数(南
值)和估计,除非您使用名称值对参数语法指定它们的值。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(已知所有参数值的型号),模拟或预测使用模拟
要么预报
, 分别。
返回零度条件方差MDL.
= Garch.加油
目的。
速记语法提供了一种简单的方法,可以创建适合于不受限制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该参数指定此参数加油
(P, Q)
仅限速记语法。
如果P.
> 0,然后你必须指定问:
作为一个正整数。
例子:GARCH(1,1)
数据类型:双
问:
-拱多项式拱门多项式程度,指定为非负整数。在拱门多项式和时间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该参数指定此参数加油
(P, Q)
仅限速记语法。
如果P.
> 0,然后你必须指定问:
作为一个正整数。
例子:GARCH(1,1)
数据类型:双
指定可选的逗号分离对名称,价值
参数。名称
是参数名称和价值
是相应的价值。名称
必须出现在引号内。您可以以任何顺序指定多个名称和值对参数Name1, Value1,…,的家
.
Longhand语法使您可以创建一些已知某些或所有系数的模型。在估计期间,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'
-加入多项式滞后1: P
(默认)|独特正整数的数字矢量GARCH多项式滞后,指定为逗号分隔对组成'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
)garch {
.长度的j
}Garchlags.
和加油
必须是平等的。
假设所有GARCH系数(由此指定)加油
财产)是积极的或南
价值观,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)|独特正整数的数字矢量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
)拱{
.长度的j
}ARCHLags
和拱
必须是平等的。
假设所有拱系数(由此指定)拱
财产)是积极的或南
价值观,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,要创建具有未知系数的GARCH(1,1)模型,然后指定一个T.创新分布具有未知程度的自由,进入:
Mdl = garch(“GARCHLags”1“ARCHLags”,1);mdl.distribution.=“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多项式中的最大滞后是阳性的或南
.滞后不到P.
可以具有等于0的系数。
P.
指定初始化模型所需的预先定位条件差异的最小数量。
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Garchlags.
, 然后P.
是最大的指定延迟。
如果您指定加油
, 然后P.
指定值的元素数。如果你也指定Garchlags.
, 然后加油
使用Garchlags.
确定P.
反而。
否则,P.
是0.
.
数据类型:双
问:
-拱多项式此属性是只读的。
拱门多项式程度,指定为非负整数。问:
拱多项式中的最大滞后是积极或的系数南
.滞后不到问:
可以具有等于0的系数。
问:
指定启动模型所需的预先创新数量的最小数量。
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:
是最大的指定延迟。
如果您指定拱
, 然后问:
指定值的元素数。如果你也指定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
持续的
-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
加油
-加入多项式系数南
值GARCH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。
长度的加油
和Garchlags.
是相等的。
garch {
是滞后系数j
}GARCHLags (
.j
)
默认情况下,加油
是一个numel(garchlags)
- 1个细胞矢量南
值。
否则,以下条件适用。
长度加油
是P.
.
garch {
是滞后系数j
}j
.
默认情况下,加油
是一个P.
- 1个细胞矢量南
值。
的系数加油
对应于底层中的系数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1E-12
或以下,加油
排除该系数及其相应的滞后Garchlags.
来自模型。
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。
长度的拱
和ARCHLags
是相等的。
拱{
是滞后系数j
}archlags(
.j
)
默认情况下,拱
是一个元素个数(ARCHLags)
- 1个细胞矢量南
值。
否则,以下条件适用。
长度拱
是问:
.
拱{
是滞后系数j
}j
.
默认情况下,拱
是一个问:
- 1个细胞矢量南
值。
的系数拱
对应于底层中的系数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1E-12
或以下,加油
排除该系数及其相应的滞后ARCHLags
来自模型。
数据类型:细胞
无条件
-模型的无条件方差此属性是只读的。
模型无条件方差,指定为正标量。
无条件方差为
κ条件方差模型常数(持续的
)。
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
分配
-创新过程的条件概率分布“高斯”
(默认)|“t”
|结构数组创新过程的条件概率分布,指定为字符串或结构阵列。加油
将值存储为结构阵列。
分配 | 细绳 | 结构阵列 |
---|---|---|
高斯 | “高斯” |
struct('name',“gaussian”) |
学生的T. | “t” |
struct('name',“t”,'dof',dof) |
这'DOF'
字段指定了T.分布自由度参数。
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。您可以在创建模型后使用点表示法更改其值。例如,mdl.distribution.dof = 3.
.
如果提供结构阵列以指定学生的T.分布,则必须指定'名称'
和'DOF'
字段。
例子:struct('name',“t”,'dof',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
|字符
笔记
全部南
- 估计的模型参数,包括系数和T.-创新-自由分配程度(如果存在)是可估计的。当你传递结果时加油
对象和数据到估计
,Matlab估计所有南
有价值的参数。在估计期间,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GARCH(0,0)模型。
mdl = garch.
MDL =带有物业的GARCH:“GARCH(0,0)条件方差模型(高斯分布)”分布:名称=“高斯”P:0 Q:0常数:NAN GARCH:{} arch:{}偏移量:0
MDL.
是一个加油
模型。它包含一个未知的常量,它的偏移是0.
,创新分布是“高斯”
.该模型没有GARCH或ARCH多项式。
使用点表示法指定滞后的两个未知拱形系数。
mdl.arch = {nan nan}
描述:“garch(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] Offset: 0
这问:
和拱
属性已更新为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:
是拱多项式的程度。
创建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。所有属性MDL.
, 除了P.
那问:
, 和分配
, 是南
值。默认情况下,软件:
包括一个条件方差模型常数
排除有条件的均值模型偏移(即,偏移量是0.
)
包括所有滞后项的ARCH和GARCH滞后算子多项式直到滞后问:
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.
和时间序列数据估计
来估计参数。
创建一个加油
使用名称值对参数的模型。
指定GARCH(1,1)模型。默认情况下,条件均值模型偏移量为零。指定偏移量南
.
mdl = garch('garchlags', 1'archlags', 1'抵消',楠)
MDL =带有物业的GARCH:“GARCH(1,1)条件方差模型具有偏移量(高斯分布)”分布:名称=“高斯”P:1 Q:1常数:南加赫:{nan}在Lag [1]拱门:{nan}在Lag [1]偏移:南
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:
, 和分配
.
自MDL.
包含南
价值观,MDL.
仅适用于估计。经过MDL.
和时间序列数据估计
.
创建具有平均偏移的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('持续的',0.0001,'GARCH',0.75,......'拱',0.1,'抵消',0.5)
MDL =带有物业的GARCH:“GARCH(1,1)条件方差模型具有偏移量(高斯分布)”分布:名称=“高斯”P:1 Q:1常数:0.0001 GARCH:{0.75}在LAG [1] arch:{0.1}滞后[1]偏移量:0.5
加油
将默认值分配给您未使用名称值对参数指定的任何属性。
访问a的属性加油
使用点表示法的模型对象。
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
从模型中删除第二个GARCH术语。也就是说,指定第二滞后条件方差的GARCH系数是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多项式有两个未知参数,分别对应滞后1和3。
显示干扰的分布。
mdl.distribution.
ans =.结构与字段:名称:“高斯”
干扰是高斯的平均值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('名称'那'T'那'DOF'5)
MDL =带有物业的GARCH:“GARCH(3,2)条件方差模型(T分布)”分布:名称=“T”,DOF = 5 P:3 Q:2常数:南加赫:{南纳}滞后[1 3]拱:{南南}在滞后[1 2]偏移量:0
指定第一个滞后的拱系数为0.2,第二滞后为0.1。
Mdl。一种RCH = {0.2 0.1}
MDL =带有物业的GARCH:“GARCH(3,2)条件方差模型(T分布)”分布:名称=“T”,DOF = 5 P:3 Q:2常数:南加赫:{南纳}滞后[1 3]拱门:{0.2 0.1}在滞后[1 2]偏移量: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
要么预报
, 分别。
将GARCH模型适合1922年至1999年丹麦名义股票回报的年度时间系列。
加载Data_Danish
数据集。绘制名义回报(NR.
)。
加载Data_Danish;nr = DataTable.RN;图;情节(日期、nr);抓住在;情节([日期(1)日期(结束)],[0 0],'r:');%图y = 0抓住离开;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GARCH(1,1)模型。默认情况下,条件平均偏移为零。要估算偏移量,请指定它是南
.
mdl = garch('garchlags', 1'archlags', 1'抵消',楠);
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。您可以通过使用生成残差来评估模型的充分性推断
,然后分析它们。
模拟条件差异或回复,通过estmdl.
到模拟
.
预测创新,通过estmdl.
到预报
.
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;
创建具有未知条件平均偏移的GARCH(1,1)模型。将模型适合年度名义回报系列。
mdl = garch('garchlags', 1'archlags', 1'抵消',楠);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模型模拟每个周期的条件差异和响应的100路径。
numobs = numel(nr);%样本容量(T)numpaths = 100;百分比的仿真路径数量rng (1);%的再现性[VSim, YSim] =模拟(EstMdl numObs,'numpaths',numpaths);
VSIM
和ysim
是T.
——- - - - - -numPaths
矩阵。行对应于采样周期,列对应于模拟路径。
绘制平均值和97.5%和2.5%百分位的模拟路径。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 *那些(1,3));抓住在;h2 = plot(日期,vsimbar,'k-'那“线宽”2);h3 = plot(日期,vsimci,“r——”那“线宽”2);抓住离开;标题(模拟的条件方差的);ylabel(的电导率。var。');Xlabel('年');子图(2,1,2);h1 = plot(日期,ysim,“颜色”,0.8 *那些(1,3));抓住在;h2 =情节(日期、YSimBar'k-'那“线宽”2);h3 = plot(日期,ysimci,“r——”那“线宽”2);抓住离开;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”“的意思是”'信心界'},......“字形大小”7,'地点'那'西北');
预测来自完全指定的条件差异加油
模型对象。也就是说,根据估计做出的预测加油
模型或已知加油
您指定所有参数值的模型。示例随之而来估计GARCH模型.
加载Data_Danish
数据集。
加载Data_Danish;nr = DataTable.RN;
创建一个具有未知条件平均偏移量的GARCH(1,1)模型,并将该模型拟合到年、名义收益率序列。
mdl = garch('garchlags', 1'archlags', 1'抵消',楠);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。将预测与观察到的有条件差异进行比较。
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COND。var。'那'预测圣章。var。'},......'地点'那'最好');
一种GARCH模型是一种动态模型,用于在创新过程中解决条件异源性或波动群体。当创新过程没有表现出显着的自相关时,会发生波动性聚类,但过程随时间变化的变化变化。
GARCH模型定位,当前条件方差是这些线性过程的总和,每个术语的系数:
过去有条件的差异(GARCH组件或多项式)
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持续偏移
考虑时间序列
在哪里 garch(P.那问:)条件方差过程, ,具有表单
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。
变量 | 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 | '持续的' |
GARCH组件系数 | 'GARCH' |
|
拱形组件系数 | '拱' |
|
Z.T. | 具有平均0和方差1的独立随机变量系列 | “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。
当相同幅度的正负冲击同样促成波动性时,加速模型是合适的[1].
您可以指定一个加油
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
.
[1] 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。
您单击了与此MATLAB命令对应的链接:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
您还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)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。