gjr
GJR条件方差时间序列模型
描述
使用gjr
指定单变量GJR (Glosten, Jagannathan, and Runkle)模型。的gjr
函数返回gjr
对象的函数形式GJR (P,问)模型,并保存其参数值。
a的关键组成部分gjr
模型包括:
GARCH多项式,由滞后条件方差组成。度表示为P.
ARCH多项式,由滞后平方变换组成。
杠杆多项式,由滞后平方、负创新组成。
ARCH和杠杆多项式度的最大值,表示为问.
P是GARCH多项式中的最大非零滞后,和问为ARCH和杠杆多项式中的最大非零滞后。模型的其他组成部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(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,请使用估计
.对于完全指定的模型(其中所有参数值都已知的模型),使用模拟
或预测
,分别。
创建
描述
返回一个0度的条件方差Mdl
= gjrgjr
对象。
输入参数
简写语法为您提供了一种创建模型模板的简便方法,该模型模板适用于不受限制的参数估计。例如,要创建包含未知参数值的GJR(1,2)模型,输入:
Mdl = gjr(1,2);
P
- - - - - -GARCH多项式次
非负整数
GARCH多项式度,指定为非负整数。在GARCH多项式和时间上t, MATLAB®包括来自滞后的所有连续条件方差项t- 1通过延迟t- - - - - -P
.
属性指定此参数gjr
(P, Q)
仅限速记语法。
如果P
> 0,那么你必须指定问
作为正整数。
例子:gjr (1, 1)
数据类型:双
问
- - - - - -ARCH多项式次
非负整数
ARCH多项式度,指定为非负整数。在ARCH多项式和时间上t, MATLAB包括所有连续的平方创新项(对于ARCH多项式)和平方的负创新项(对于杠杆多项式)t- 1通过延迟t- - - - - -问
.
属性指定此参数gjr
(P, Q)
仅限速记语法。
如果P
> 0,那么你必须指定问
作为正整数。
例子:gjr (1, 1)
数据类型:双
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。
手动语法使您能够创建部分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相等约束。
例子:'ARCHLags',[1 4],'ARCH',{NaN NaN}
指定GJR(0,4)模型和滞后时未知但非零的ARCH系数矩阵1
而且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,指定为逗号分隔的对,由“GARCHLags”
和一个唯一正整数的数字向量。
GARCHLags (
滞后是否与系数相对应j
)GARCH {
.的长度j
}GARCHLags
而且GARCH
必须是相等的。
假设所有GARCH系数(由GARCH
属性)为正或南
值,马克斯(GARCHLags)
属性的值P
财产。
例子:“GARCHLags”,[1 - 4]
数据类型:双
ARCHLags
- - - - - -ARCH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,指定为逗号分隔的对,由“ARCHLags”
和一个唯一正整数的数字向量。
ARCHLags (
滞后是否与系数相对应j
)弓{
.的长度j
}ARCHLags
而且拱
必须是相等的。
假设所有ARCH和杠杆系数(由拱
而且利用
属性)为正或南
值,马克斯([ARCHLags LeverageLags])
属性的值问
财产。
例子:“ARCHLags”,[1 - 4]
数据类型:双
LeverageLags
- - - - - -利用多项式滞后
1:问
(默认)|唯一正整数的数字向量
利用多项式滞后,指定为由逗号分隔的对组成“LeverageLags”
和一个唯一正整数的数字向量。
LeverageLags (
滞后是否与系数相对应j
)利用{
.的长度j
}LeverageLags
而且利用
必须是相等的。
假设所有ARCH和杠杆系数(由拱
而且利用
属性)为正或南
值,马克斯([ARCHLags LeverageLags])
属性的值问
财产。
例子:LeverageLags, 1:4
数据类型:双
属性
当您使用名称-值对参数语法创建模型对象时,或者在您使用点表示法创建模型对象之后,您可以设置可写的属性值。例如,要创建具有未知系数的GJR(1,1)模型,然后指定一个t自由度未知的创新分布,进入:
Mdl = gjr(' garchlag ',1,' archlag ',1);Mdl。分布= "t";
P
- - - - - -GARCH多项式次
非负整数
此属性是只读的。
GARCH多项式度,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
.小于的滞后P
系数可以是0。
P
指定初始化模型所需的预采样条件方差的最小数目。
如果使用名称-值对参数来创建模型,那么MATLAB将实现这些替代方案之一(假设最大滞后系数为正或南
):
如果你指定
GARCHLags
,然后P
是指定的最大滞后。如果你指定
GARCH
,然后P
指定值的元素数。如果你还指定GARCHLags
,然后gjr
使用GARCHLags
来确定P
代替。否则,
P
是0
.
数据类型:双
问
- - - - - -ARCH的最大度和杠杆多项式
非负整数
此属性是只读的。
ARCH和杠杆多项式的最大程度,指定为非负整数。问
为ARCH的最大滞后,为模型中的杠杆多项式。在任何一种多项式中,滞后都小于问
系数可以是0。
问
指定初始化模型所需的最少预采样革新次数。
如果使用名称-值对参数来创建模型,那么MATLAB将实现这些替代方案之一(假设ARCH和杠杆多项式中最大滞后的系数为正或南
):
如果你指定
ARCHLags
或LeverageLags
,然后问
是两个规格之间的最大值。如果你指定
拱
或利用
,然后问
是两个规范之间的最大元素数。如果你还指定ARCHLags
或LeverageLags
,然后gjr
使用它们的值来确定问
代替。否则,
问
是0
.
数据类型:双
常数
- - - - - -条件方差模型常数
南
(默认)|积极的标量
条件方差模型常数,指定为正标量或南
价值。
数据类型:双
GARCH
- - - - - -GARCH多项式系数
或正标量的单元向量南
值
GARCH多项式系数,指定为正标量或正标量的单元向量南
值。
如果你指定
GARCHLags
,则适用以下条件。的长度
GARCH
而且GARCHLags
是相等的。GARCH {
是滞后系数吗j
}GARCHLags (
.j
)默认情况下,
GARCH
是一个元素个数(GARCHLags)
的-by-1单元向量南
值。
否则,适用以下条件。
的长度
GARCH
是P
.GARCH {
是滞后系数吗j
}j
.默认情况下,
GARCH
是一个P
的-by-1单元向量南
值。
里面的系数GARCH
对应于底层的系数LagOp
滞后算子多项式,并进行了近零容差排除检验。如果你设一个系数为1 e-12
或以下,gjr
不包括该系数及其相应的滞后GARCHLags
从模型中。
数据类型:细胞
拱
- - - - - -ARCH多项式系数
或正标量的单元向量南
值
ARCH多项式系数,指定为正标量或单元向量南
值。
如果你指定
ARCHLags
,则适用以下条件。的长度
拱
而且ARCHLags
是相等的。弓{
是滞后系数吗j
}ARCHLags (
.j
)默认情况下,
拱
是一个问
的-by-1单元向量南
值。有关详细信息,请参见问
财产。
否则,适用以下条件。
的长度
拱
是问
.弓{
是滞后系数吗j
}j
.默认情况下,
拱
是一个问
的-by-1单元向量南
值。
里面的系数拱
对应于底层的系数LagOp
滞后算子多项式,并进行了近零容差排除检验。如果你设一个系数为1 e-12
或以下,gjr
不包括该系数及其相应的滞后ARCHLags
从模型中。
数据类型:细胞
利用
- - - - - -利用多项式系数
数值标量或单元向量南
值
利用多项式系数,指定为数值标量或单元格向量南
值。
如果你指定
LeverageLags
,则适用以下条件。的长度
利用
而且LeverageLags
是相等的。利用{
是滞后系数吗j
}LeverageLags (
.j
)默认情况下,
利用
是一个问
的-by-1单元向量南
值。有关详细信息,请参见问
财产。
否则,适用以下条件。
的长度
利用
是问
.利用{
是滞后系数吗j
}j
.默认情况下,
利用
是一个问
的-by-1单元向量南
值。
里面的系数利用
对应于底层的系数LagOp
滞后算子多项式,并进行了近零容差排除检验。如果你设一个系数为1 e-12
或以下,gjr
不包括该系数及其相应的滞后LeverageLags
从模型中。
数据类型:细胞
UnconditionalVariance
- - - - - -无条件方差模型
积极的标量
此属性是只读的。
模型的无条件方差,指定为正标量。
无条件方差是
κ条件方差模型常量(常数
).
数据类型:双
抵消
- - - - - -创新平均模型偏移
0
(默认)|数字标量|南
创新平均模型偏移量,或附加常数,指定为数值标量或南
价值。
数据类型:双
分布
- - - - - -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数组。gjr
将值存储为结构数组。
分布 | 字符串 | 结构数组 |
---|---|---|
高斯 | “高斯” |
结构(“名字”,“高斯”) |
学生的t | “t” |
结构(“名字”,“t”,景深,景深) |
的“景深”
字段指定t分布自由度参数。
景深
> 2或景深
=南
.景深
是有价值的。如果你指定
“t”
,景深
是南
默认情况下。您可以在创建模型后使用点表示法更改它的值。例如,mld . distribution . dof = 3
.如果您提供一个结构数组来指定学生的t分布,则必须同时指定
“名字”
而且“景深”
字段。
例子:结构(“名字”,“t”、“景深”,10)
描述
- - - - - -模型描述
字符串标量|特征向量
模型描述,指定为字符串标量或字符向量。gjr
将值存储为字符串标量。例如,默认值描述模型的参数形式GJR(1,1)条件方差模型(高斯分布)
.
数据类型:字符串
|字符
请注意
所有
南
-值模型参数,包括系数和t-创新-分配自由度(如果存在)是可估计的。当你传递结果时gjr
对象和数据估计
, MATLAB估计南
有价值的参数。在评估期间,估计
将已知参数作为等式约束,即:估计
将任何已知参数固定为其值。通常情况下,ARCH多项式和杠杆多项式的滞后是相同的,但它们的相等性不是必要条件。不同的多项式发生在以下情况:
要么
弓{Q}
或利用{Q}
满足接近零的排除容差。在这种情况下,MATLAB从多项式中排除了相应的滞后。你可以指定长度不同的多项式
ARCHLags
或LeverageLags
,或通过设置拱
或利用
财产。
无论哪种情况,
问
是两个多项式之间的最大滞后。
对象的功能
例子
创建默认GJR模型
创建默认值gjr
建模对象并使用点表示法指定其参数值。
创建一个GJR(0,0)模型。
Mdl = gjr
描述:“gjr(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:{}杠杆:{}偏移量:0
Mdl
是一个gjr
模型对象。它包含一个未知的常数,它的偏移量为0
,创新分布为“高斯”
.该模型没有GARCH、ARCH或杠杆多项式。
使用点符号为滞后1和滞后2指定两个未知的ARCH和杠杆系数。
Mdl。ARCH = {NaN NaN};Mdl。杠杆= {NaN NaN};Mdl
描述:“gjr(0,2)条件方差模型(高斯分布)”分布:名称= "高斯" P: 0 Q: 2常数:NaN GARCH: {} ARCH: {NaN NaN}滞后[1 2]杠杆:{NaN NaN}滞后[1 2]偏移量:0
的问
,拱
,利用
属性更新到2
,{南南}
,{南南}
,分别。ARCH和杠杆系数与滞后1和滞后2有关。
使用简写语法创建GJR模型
创建一个gjr
使用简写符号建模对象gjr (P, Q)
,在那里P
是GARCH多项式的次,问
为ARCH多项式和杠杆多项式的阶。
创建一个GJR(3,2)模型。
Mdl = gjr(3,2)
描述:“gjr(3,2)条件方差模型(高斯分布)”分布:名称= "高斯" P: 3 Q: 2常量:NaN GARCH: {NaN NaN NaN}滞后时[1 2 3]ARCH: {NaN NaN}滞后时[1 2]杠杆:{NaN NaN}滞后时[1 2]偏移量:0
Mdl
是一个gjr
模型对象。所有属性Mdl
,除了P
,问
,分布
,都是南
值。默认情况下,软件:
包括一个条件方差模型常数
不包括条件平均模型偏移量(即偏移量为
0
)包括GARCH多项式中直到滞后的所有滞后项
P
包括ARCH中的所有滞后项和滞后前的杠杆多项式
问
Mdl
只指定GJR模型的函数形式。因为它包含未知的参数值,所以可以通过Mdl
和时间序列数据估计
估计参数。
使用Longhand语法创建GJR模型
创建一个gjr
使用名称-值对参数建模。
指定一个GJR(1,1)模型。
Mdl = gjr(“GARCHLags”, 1“ARCHLags”, 1“LeverageLags”,1)
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:NaN GARCH: {NaN} at lag [1] ARCH: {NaN} at lag[1]杠杆:{NaN} at lag[1]偏移量:0
Mdl
是一个gjr
模型对象。软件将所有参数设置为南
,除了P
,问
,分布
,抵消
(这是0
默认情况下)。
自Mdl
包含南
值,Mdl
仅适用于估计。通过Mdl
和时间序列数据估计
.
创建已知系数的GJR模型
创建具有平均偏移量的GJR(1,1)模型
在哪里
而且 是独立同分布的标准高斯过程。
Mdl = gjr(“不变”, 0.0001,“四国”, 0.35,...“拱”, 0.1,“抵消”, 0.5,“杠杆”,{0.03 0 0.01})
描述:“gjr(1,3)条件方差模型与偏移(高斯分布)”分布:名称= "高斯" P: 1 Q: 3常数:0.0001 GARCH: {0.35} at lag [1] ARCH: {0.1} at lag[1]杠杆:{0.03 0.01}at lag[1 3]偏移量:0.5
gjr
将默认值赋给未使用名值对参数指定的任何属性。指定杠杆组件的另一种方法是'杠杆',{0.03 0.01},'杠杆elags ',[1 3]
.
访问GJR模型属性
属性的属性gjr
使用点表示法建模对象。
创建一个gjr
模型对象。
Mdl = gjr(3,2)
描述:“gjr(3,2)条件方差模型(高斯分布)”分布:名称= "高斯" P: 3 Q: 2常量:NaN GARCH: {NaN NaN NaN}滞后时[1 2 3]ARCH: {NaN NaN}滞后时[1 2]杠杆:{NaN NaN}滞后时[1 2]偏移量:0
从模型中删除第二个GARCH项。也就是说,指定第二个滞后条件方差的GARCH系数为0
.
Mdl。Garch {2} = 0
描述:“gjr(3,2)条件方差模型(高斯分布)”分布:名称= "高斯" P: 3 Q: 2常数:NaN GARCH: {NaN NaN}在滞后时[1 3]ARCH: {NaN NaN}在滞后时[1 2]杠杆:{NaN NaN}在滞后时[1 2]偏移:0
GARCH多项式有两个未知参数,对应滞后1和滞后3。
显示扰动的分布。
Mdl。分布
ans =带字段的结构:名称:“高斯”
扰动是均值为0,方差为1的高斯分布。
指定基本扰动具有t5个自由度的分布。
Mdl。分布= struct(“名字”,“t”,“景深”5)
描述:“gjr(3,2)条件方差模型(t分布)”分布:Name = "t", DoF = 5 P: 3 Q: 2常数:NaN GARCH:滞后时{NaN NaN} [1 3] ARCH:滞后时{NaN NaN}[1 2]杠杆:滞后时{NaN NaN}[1 2]偏移量:0
指定ARCH系数对于第一个滞后为0.2,对于第二个滞后为0.1。
Mdl。Arch = {0.2 0.1}
描述:“gjr(3,2)条件方差模型(t分布)”分布:Name = "t", DoF = 5 P: 3 Q: 2常量:NaN GARCH:滞后时{NaN NaN} [1 3] ARCH:滞后时{0.2 0.1}[1 2]杠杆:滞后时{NaN NaN}[1 2]偏移量:0
要估计剩下的参数,可以通过Mdl
并对您的数据进行估计,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GARCH模型来模拟或预测GARCH模型的条件方差模拟
或预测
,分别。
估计GJR模型
将GJR模型拟合到1861-1970年股票价格指数回报率的年度时间序列中。
加载Nelson-Plosser数据集。将年度股价指数(SP
)返回。画出收益。
负载Data_NelsonPlosser;sp = price2ret(DataTable.SP);图;情节(日期(2:结束),sp);持有在;Plot([日期(2)日期(结束)],[0 0],“:”);y = 0持有从;标题(“返回”);ylabel (的回报率(%));包含(“年”);轴紧;
收益序列似乎没有条件均值偏移,似乎表现出波动性聚类。也就是说,早期的变异性比后期的变异性要小。对于这个例子,假设GJR(1,1)模型适合这个系列。
创建一个GJR(1,1)模型。默认情况下,条件平均偏移量为零。该软件默认包含一个条件方差模型常数。
Mdl = gjr(“GARCHLags”, 1“ARCHLags”, 1“LeverageLags”1);
拟合GJR(1,1)模型到数据。
EstMdl =估计(Mdl,sp);
GJR(1,1)条件方差模型(高斯分布):Value StandardError TStatistic PValue _________ _____________ __________ ________ Constant 0.0045728 0.0044199 1.0346 0.30086 GARCH{1} 0.55808 0.24 2.3253 0.020057 ARCH{1} 0.20461 0.17886 1.144 0.25263杠杆{1}0.18066 0.26802 0.67406 0.50027
EstMdl
是完全指定的gjr
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出
,然后分析它们。
若要模拟条件方差或响应,则通过EstMdl
来模拟
.
预测创新,通过EstMdl
来预测
.
模拟GJR模型观测值和条件方差
模拟完全指定的条件方差或响应路径gjr
模型对象。也就是说,从估计值进行模拟gjr
模型或已知的gjr
模型,其中指定所有参数值。
加载Nelson-Plosser数据集。将年度股票价格指数转换为收益。
负载Data_NelsonPlosser;sp = price2ret(DataTable.SP);
创建一个GJR(1,1)模型。将模型与返回序列拟合。
Mdl = gjr(1,1);EstMdl =估计(Mdl,sp);
GJR(1,1)条件方差模型(高斯分布):Value StandardError TStatistic PValue _________ _____________ __________ ________ Constant 0.0045728 0.0044199 1.0346 0.30086 GARCH{1} 0.55808 0.24 2.3253 0.020057 ARCH{1} 0.20461 0.17886 1.144 0.25263杠杆{1}0.18066 0.26802 0.67406 0.50027
从估计的GJR模型中模拟100条条件方差和响应路径。
numObs =编号(sp);样本容量(T)numPaths = 100;%要模拟的路径数rng (1);%用于再现性[VSim,YSim] =模拟(EstMdl,numObs,“NumPaths”, numPaths);
VSim
而且YSim
是T
——- - - - - -numPaths
矩阵。行对应采样周期,列对应模拟路径。
绘制模拟路径的平均值和97.5%和2.5%百分位数。将模拟统计数据与原始数据进行比较。
日期=日期(2:结束);VSimBar = mean(VSim,2);VSimCI =分位数(VSim,[0.025 0.975],2);YSimBar = mean(YSim,2);YSimCI =分位数(YSim,[0.025 0.975],2);图;次要情节(2,1,1);h1 = plot(日期,VSim,“颜色”, 0.8 *(1、3));持有在;h2 = plot(日期,VSimBar,“k——”,“线宽”2);h3 = plot(日期,VSimCI,“r——”,“线宽”2);持有从;标题(“模拟条件方差”);ylabel (的电导率。var。);包含(“年”);轴紧;次要情节(2,1,2);h1 = plot(日期,YSim,“颜色”, 0.8 *(1、3));持有在;h2 = plot(日期,YSimBar,“k——”,“线宽”2);h3 = plot(日期,YSimCI,“r——”,“线宽”2);持有从;标题(“模拟名义收益”);ylabel (“名义回报率(%)”);包含(“年”);轴紧;图例([h1(1) h2 h3(1)],{“模拟路径”“的意思是”“信心界限”},...“字形大小”7“位置”,“西北”);
预测GJR模型条件方差
预测完全指定的条件方差gjr
模型对象。也就是说,从估计中预测gjr
模型或已知的gjr
模型,其中指定所有参数值。
加载Nelson-Plosser数据集。将年度股价指数(SP
)返回。
负载Data_NelsonPlosser;sp = price2ret(DataTable.SP);
创建一个GJR(1,1)模型,并将其适合于返回序列。
Mdl = gjr(“GARCHLags”, 1“ARCHLags”, 1“LeverageLags”1);EstMdl =估计(Mdl,sp);
GJR(1,1)条件方差模型(高斯分布):Value StandardError TStatistic PValue _________ _____________ __________ ________ Constant 0.0045728 0.0044199 1.0346 0.30086 GARCH{1} 0.55808 0.24 2.3253 0.020057 ARCH{1} 0.20461 0.17886 1.144 0.25263杠杆{1}0.18066 0.26802 0.67406 0.50027
用估计的GJR模型预测未来10年名义收益序列的条件方差。指定整个返回序列作为预样本观测值。该软件利用预样本观测值和模型推断预样本条件方差。
numPeriods = 10;vF = forecast(EstMdl,numPeriods,sp);
画出名义收益的预测条件方差。将预测结果与观测到的条件方差进行比较。
v = infer(EstMdl,sp);nV = size(v,1);日期=日期((end - nV + 1):结束);图;情节(日期、v、凯西:”,“线宽”2);持有在;plot(日期(结束):日期(结束)+ 10,[v(结束);vF],“r”,“线宽”2);标题(“预测收益的条件方差”);ylabel (“有条件的差异”);包含(“年”);轴紧;传奇({'估计样本Cond。Var。,预测电导率。var。},...“位置”,“西北”);
更多关于
GJR模型
的Glosten, Jagannathan, and Runkle (GJR)模型是一个动态模型,解决创新过程中的条件异方差或波动聚类。当创新过程不表现出显著的自相关,但过程方差随时间变化时,就会出现波动率聚类。
GJR模型是GARCH模型的推广,适用于非对称波动率聚类建模[1].具体来说,该模型假定当前条件方差是这些线性过程的和,其系数为:
过去的条件方差(GARCH分量或多项式)。
过去的平方创新(ARCH分量或多项式)。
过去的平方,负创新(杠杆成分或多项式)。
考虑时间序列
在哪里 GJR (P,问)条件方差过程, ,具有
的属性对应的变量gjr
对象。在表格中,我[x< 0] = 1,否则为0。
变量 | 描述 | 财产 |
---|---|---|
μ | 创新均值模型恒定偏移 | “抵消” |
κ> 0 | 条件方差模型常数 | “不变” |
γj | GARCH分量系数 | “四国” |
αj | ARCH分量系数 | “拱” |
ξj | 利用分量系数 | “杠杆” |
zt | 均值为0,方差为1的独立随机变量序列 | “分布” |
对于平稳性和正性,GJR模型使用以下约束条件:
当的负面冲击比正面冲击对波动率的贡献更大时,GJR模型是合适的[2].
如果所有杠杆系数都为零,则GJR模型简化为GARCH模型。因为GARCH模型嵌套在GJR模型中,所以可以使用似然比测试来比较GARCH模型拟合与GJR模型拟合。
提示
您可以指定gjr
模型作为条件均值和方差模型组成的一部分。详细信息请参见华宇电脑
.
参考文献
[1]格洛斯顿,L. R.贾格纳森,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。
[2]蔡瑞。财务时间序列分析.霍博肯,新泽西州:John Wiley & Sons, Inc., 2010年。
版本历史
在R2012a中引入
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。