模拟
条件方差模型的蒙特卡罗模拟
描述
例子
模拟GARCH模型条件方差和响应
用GARCH(1,1)模型模拟条件方差和响应路径。
指定一个参数已知的GARCH(1,1)模型。
Mdl = garch (“不变”, 0.01,“四国”, 0.7,“拱”, 0.2);
模拟500个样本路径，每个路径有100个观测值。
rng默认的；%的再现性[V, Y] =模拟(Mdl, 100,“NumPaths”, 500);图subplot(2,1,1) plot(V) title(模拟的条件方差的)子plot(2,1,2) plot(Y) title(“模拟反应”）
模拟的响应看起来像是从平稳的随机过程中提取的。
绘制模拟条件方差的2.5、50(中位数)和97.5个百分点。
低= prctile (V, 2.5, 2);中间=值(V, 2);上= prctile (V, 97.5, 2);图绘制(1:10 0,降低,“:”1:10 0,中间,“k”，．．．1:10 0,上,“:”，“线宽”2)传说(“95%间隔”，“中值”)标题(“大约95%的间隔”）
由于条件方差的正性约束，区间是不对称的。
模拟EGARCH模型条件方差和响应
模拟EGARCH(1,1)模型的条件方差和响应路径。
指定一个参数已知的EGARCH(1,1)模型。
Mdl = egarch (“不变”, 0.001,“四国”, 0.7,“拱”, 0.2,．．．“杠杆”, -0.3);
模拟500个样本路径，每个路径有100个观测值。
rng默认的；%的再现性[V, Y] =模拟(Mdl, 100,“NumPaths”, 500);图subplot(2,1,1) plot(V) title(模拟的条件方差的)子plot(2,1,2) plot(Y) title(的模拟反应(创新)）
模拟的响应看起来像是从平稳的随机过程中提取的。
绘制模拟条件方差的2.5、50(中位数)和97.5个百分点。
低= prctile (V, 2.5, 2);中间=值(V, 2);上= prctile (V, 97.5, 2);图绘制(1:10 0,降低,“:”1:10 0,中间,“k”，．．．1:10 0,上,“:”，“线宽”2)传说(“95%间隔”，“中值”)标题(“大约95%的间隔”）
由于条件方差的正性约束，区间是不对称的。
模拟GJR模型条件方差和响应
从GJR(1,1)模型模拟条件方差和响应路径。
指定已知参数的GJR(1,1)模型。
Mdl = gjr (“不变”, 0.001,“四国”, 0.7,“拱”, 0.2,．．．“杠杆”, 0.1);
模拟500个样本路径，每个路径有100个观测值。
rng默认的；%的再现性[V, Y] =模拟(Mdl, 100,“NumPaths”, 500);图subplot(2,1,1) plot(V) title(模拟的条件方差的)子plot(2,1,2) plot(Y) title(的模拟反应(创新)）
模拟的响应看起来像是从平稳的随机过程中提取的。
绘制模拟条件方差的2.5、50(中位数)和97.5个百分点。
低= prctile (V, 2.5, 2);中间=值(V, 2);上= prctile (V, 97.5, 2);图绘制(1:10 0,降低,“:”1:10 0,中间,“k”，．．．1:10 0,上,“:”，“线宽”2)传说(“95%间隔”，“中值”)标题(“大约95%的间隔”）
由于条件方差的正性约束，区间是不对称的。
利用蒙特卡罗模拟预测条件方差
模拟纳斯达克综合指数500天的每日回报的条件方差。使用模拟来作出预测和大约95%的预测间隔。比较GARCH(1,1)、EGARCH(1,1)和GJR(1,1)拟合的预测结果。
加载工具箱中包含的纳斯达克数据。将索引转换为返回值。
负载Data_EquityIdx纳斯达克= DataTable.NASDAQ;r = price2ret(纳斯达克);T =长度(r);
对整个数据集拟合GARCH(1,1)、EGARCH(1,1)和GJR(1,1)模型。推断条件方差作为预测模拟的前样本条件方差。
Mdl =细胞(3,1);%预先配置Mdl {1} = garch (1,1);Mdl {2} = egarch (1,1);Mdl {3} = gjr (1,1);EstMdl = cellfun (@ (x)估计(x, r,“显示”，“关闭”)、Mdl．．．“UniformOutput”、假);v0 = cellfun (@ (x)推断(x, r), EstMdl,“UniformOutput”、假);
EstMdl是3 × 1的细胞载体。每个单元格是一种不同类型的估计条件方差模型，例如:EstMdl {1}是估计的GARCH(1,1)模型。半是一个3 × 1的单元向量，每个单元包含从相应的估计模型推断的条件方差。
模拟1000个样本路径，每个路径有500个观测值。使用观察到的返回值和推断出的条件方差作为前样例数据。
vSim =细胞(3,1);%预先配置为2 . n .复合体，复合体默认的；%的再现性vSim {j} =模拟(EstMdl {j}, 500年,“NumPaths”, 1000,“E0”r“半”v0 {j});结束
vSim是一个3 × 1的单元向量，每个单元包含一个500 × 1000的模拟条件方差矩阵，由相应的估计模型生成。
绘制模拟平均预测和大约95%的预测区间，以及从数据推断的条件方差。
低= cellfun (@ (x) prctile (x, 2.5, 2), vSim,“UniformOutput”、假);上= cellfun (@ (x) prctile (x, 97.5, 2), vSim,“UniformOutput”、假);mn = cellfun (@ (x)的意思是(x, 2), vSim,“UniformOutput”、假);datesPlot = date (end - 250:end); / /结束日期datesFH = date (end) + (1:500)';h = 0(3、4);数字为J = 1:3 col = 0 (1,3);坳(j) = 1;h (j, 1) =情节(datesPlot, v0 {j}(端- 250:端),“颜色”,卡扎菲);持有在h (j, 2) =情节(datesFH, mn {j},“颜色”上校,“线宽”3);h(j,3:4) = plot([datesFH datesFH]，[lower{j} upper{j}]，“:”，．．．“颜色”上校,“线宽”2);结束甘氨胆酸hGCA =;情节(datesFH (1) * [1], hGCA。YLim,“k——”）;datetick;轴紧；h = h (:, 1:3);传奇(h (:),GARCH -推断的，“EGARCH -推断”，“GJR -推断”，．．．“GARCH - Sim卡。的意思是“，“EGARCH - Sim卡。的意思是“，“GJR - Sim卡。的意思是“，．．．“GARCH——95% Fore。”Int。，“EGARCH——95%的福尔。Int。，．．．“GJR - 95%福尔。Int。，“位置”，“东北”)标题(“模拟条件方差预测”)举行从
输入参数
输出参数
参考文献
[1] Bollerslev, T.“广义自回归条件异方差”。计量经济学杂志．1986年第31卷，307-327页。
关于投机性价格和收益率的条件异方差时间序列模型。《经济学与统计评论》．1987年第69卷，第542-547页。
[3] Box, G. E. P. G. M. Jenkins和G. C. Reinsel。时间序列分析:预测与控制．3版。恩格尔伍德悬崖，NJ: Prentice Hall, 1994。
恩德斯[4],W。应用计量经济时间序列．霍博肯:约翰·威利父子公司，1995。
[5] Engle, R. F. <英国通货膨胀方差估计的自回归条件异方差性>。费雪．第50卷，1982年，987-1007页。
[6] Glosten, L. R.， R. Jagannathan, D. E. Runkle。“关于期望值与股票名义超额收益波动的关系”。金融杂志．第48卷，第5期，1993年，1779-1801页。
j·D·汉密尔顿时间序列分析．普林斯顿:普林斯顿大学出版社，1994。
[8] Nelson, D. B. <资产收益的条件异方差:一种新方法>。费雪．1991年第59卷，第347-370页。
另请参阅
对象
功能
你也可以从以下列表中选择一个网站:
