预测
从条件方差模型预测条件方差
描述
例子
预测GARCH模型条件方差
预测30个时段内模拟数据的条件方差。
用已知参数模拟GARCH（1,1）模型的100个观测值。
Mdl=加奇('恒定'，0.02，“加奇”，0.8分，“拱门”，0.1）；rng违约;%再现性[v，y]=模拟（Mdl，100）；
预测条件方差在30周期地平线，有和没有使用模拟数据作为样品前体的创新。绘制的天气预报。
vF1=预测（Mdl，30，'Y0'，Y）;VF2 =预测（MDL，30）;图图（V，'颜色'，[7，.7，.7]）保持在绘图（101:130，vF1，“r”,'行宽'，2）;图（101：130，VF2，':','行宽'，2）;标题（“预测条件方差”）图例（'观测到的','带预采样的预测',...'没有预采样的预测','位置','东北')保持远离的
不使用样本前创新的预测等于无条件创新方差。使用样本前创新做出的预测渐近收敛于无条件创新方差。
预测EGARCH模型条件方差
预测30个时段内模拟数据的条件方差。
用已知参数对EGARCH（1,1）模型的100个观测值进行模拟。
Mdl=egarch('恒定'，0.01％，“加奇”，0.6分，“拱门”，0.2分，...“杠杆作用”，-0.2）；rng违约;%再现性[v，y]=模拟（Mdl，100）；
预测在30周期地平线条件方差，有和没有使用模拟数据作为样品前体的创新。绘制的天气预报。
Vf1=预测（Mdl，30，y）；Vf2=预测（Mdl，30）；图表（v，'颜色'，[7，.7，.7]）保持在绘图（101:130，Vf1，“r”,'行宽'，2）；绘图（101:130，Vf2，':','行宽'，2）;标题（“预测条件方差”）图例（'观测到的','带预采样的预测',...'没有预采样的预测','位置','东北')保持远离的
不使用样本前创新的预测等于无条件创新方差。使用样本前创新做出的预测渐近收敛于无条件创新方差。
预测GJR模型条件方差
预测30个时段内模拟数据的条件方差。
用已知参数模拟来自GJR（1,1）模型的100个观测值。
Mdl=焦耳('恒定'，0.01％，“加奇”，0.6分，“拱门”，0.2分，...“杠杆作用”，0.2）；rng违约;%再现性[v，y]=模拟（Mdl，100）；
预测条件方差在30周期地平线，有和没有使用模拟数据作为样品前体的创新。绘制的天气预报。
vF1=预测（Mdl，30，'Y0'，Y）;VF2 =预测（MDL，30）;图图（V，'颜色'，[7，.7，.7]）保持在绘图（101:130，vF1，“r”,'行宽'，2）;图（101：130，VF2，':','行宽'，2）;标题（“预测条件方差”）图例（'观测到的','带预采样的预测',...'没有预采样的预测','位置','东北')保持远离的
不使用样本前创新的预测等于无条件创新方差。使用样本前创新做出的预测渐近收敛于无条件创新方差。
比较NYSE收益的条件方差预测
利用GARCH（1,1）、EGARCH（1,1）和GJR（1,1）模型预测500天内纳斯达克综合指数收益的条件方差。
加载包含在工具箱纳斯达克的数据。转换的指数回报。绘制的回报。
负载数据需求IDX纳斯达克=DataTable.NASDAQ数据表；r=price2ret（纳斯达克）；T=length（r）；meanR=mean（r）
meanR = 4.7771e-04
图；绘图（日期（2:结束）、r、日期（2:结束）、平均数*个（T，1），'--r')；日期；标题('纳斯达克每日回报')；X标签('天')；伊拉贝尔('返回');
该系列的变化似乎改变。这种变化是波动聚类的指示。条件均值模型偏移量是非常接近于零。
将GARCH（1,1）、EGARCH（1,1）和GJR（1,1）模型拟合到数据中。默认情况下，软件将条件平均模型偏移设置为零。
MdlGARCH=garch（1,1）；MdlEGARCH=egarch（1,1）；MdlGJR=gjr（1,1）；EstMdlGARCH=estimate（MdlGARCH，r）；
329 0.0084528 104.5 0拱{1}0.10919 0.0076621 14.251 4.4116e-46
EstMdlEGARCH=估计（MdlEGARCH，r）；
0.002425406.15 0拱{1}0.19964 0.013964 14.297 2.2805e-46杠杆{1}-0.060242 0.0056459-10.67 1.4068e-26
EstMdlGJR =估计（MdlGJR，R）;
GJR（1,1）条件方差模型（高斯分布）：值StandardError的TStatistic p值__________ _____________ __________ __________恒2.4567e-06 5.6828e-07 4.3231 1.5388e-05 GARCH {1} 0.88144 0.0094779 92.999 0 ARCH {1} 0.06394 0.0091776.9674 3.2295e-12杠杆{1} 0.088908 0.0099024 8.9784 2.7469e-19
预测使用拟合模型500天的条件方差。使用观察到的回报作为预测样品前创新。
vFGARCH =预测（EstMdlGARCH，500，R）;vFEGARCH =预测（EstMdlEGARCH，500，R）;vFGJR =预测（EstMdlGJR，500，R）;
绘制预测以及从数据中推断出的条件方差。
vGARCH=推断（EstMdlGARCH，r）；vEGARCH=推断（EstMdlEGARCH，r）；vGJR=推断（EstMdlGJR，r）；datesFH=日期（end）：（日期（end）+1000）；%1000期预测期图；子地块（3,1,1）；地块（日期（结束-250:结束），vGARCH（结束-250:结束），“b”,...日期fh（2:end-500），vFGARCH，“b——”)；图例('推断','预测','位置','东北')；职务('GARCH（1,1）条件方差')；日期刻度；轴紧的；子地块（3,1,2）；地块（日期（结束-250：结束），蔬菜园（结束-250：结束），“r”,...日期fh（2:end-500），vFEGARCH，'R--')；图例('推断','预测','位置','东北')；职务('EGARCH（1,1）条件方差')；日期刻度；轴紧的；子地块（3,1,3）；地块（日期（结束-250：结束），vGJR（结束-250：结束），“k”,...datesFH（2：端-500），vFGJR，“k--”)；图例('推断','预测','位置','东北')；职务('GJR（1,1）条件方差')；日期刻度；轴紧的;
绘制1000天的条件方差预测图。
vF1000GARCH=预测（EstMdlGARCH，1000，r）；vF1000EGARCH=预测（EstMdlEGARCH，1000，r）；vF1000GJR=预测（EstMdlGJR，1000，r）；图；图（日期：结束），vF1000GARCH，“b”,...datesFH（2：结束），vF1000EGARCH，“r”,...日期（2：结束），vF1000GJR，“k”)；图例(“加奇”,'EGARCH','GJR','位置','东北')；职务('条件方差预测渐近线')日期；
预测渐近收敛到各自过程的无条件方差。
输入参数
输出参数
更多关于
用于预测的时基分区
进行预测时基分区是时基的两个不相交的连续间隔；每个间隔包含用于预测动态模型的时间序列数据。这个预测期（预测范围）是裸体时基结束时的长度分区，在此期间预测生成预测五从动态模型Mdl公司. 这个预采样期是预测期间前发生整个分区。预测可以观察到的要求的响应（或创意）Y0或条件方差V0在样品前一段来初始化预测的动态模型。模型结构决定的种类和所需的样品前体的观察量。
一种常见的做法是将一个动态模型拟合到数据集的一部分，然后通过将模型的预测与观察到的响应进行比较来验证模型的可预测性。在预测过程中，预采样周期包含模型适合的数据，预测周期包含待验证的保持样本。假设是的t型是一个观察到的响应序列。考虑从动态模型预测条件方差是的t型裸体=千时期。假设动态模型与区间[1，T型–千]（有关详细信息，请参见估计). 此图显示用于预测的时基分区。
例如，为了生成预测是的从GARCH（0，2）模型中，预测需要样品前反应（创新）Y0=
初始化模型。一期预报要求同时观测，而二期预报要求是的T型–千一期预测五（一）.预测通过替换模型中滞后响应的先前预测生成所有其他预测。
包含GARCH成分的动态模型可能需要预先采样的条件方差。如果有足够的样本反应，预测推断所需的预采样条件方差。此图显示了本例所需的观察结果数组，其中包含相应的输入和输出参数。
算法
如果条件方差模型
Mdl公司具有偏移（Mdl.Offset),预测从指定的样品前体的反应中减去它Y0获得先例创新0度.随后，预测使用0度为预测初始化条件方差模型。预测设置要预测的样本路径数毫帕到预采样数据集中的最大列数Y0和V0.所有样品前数据集必须有毫帕>一列或一列。否则，预测发出错误。例如，如果Y0有五列，表示五条路径，然后V0可以有五列，也可以有一列。如果V0只有一列，那么预测应用V0每一条路。南预采样数据集中的值表示缺少数据。预测按照以下步骤从预采样数据集中删除丢失的数据：预测水平连接指定的预采样数据集Y0和V0这样同时出现的最新看法。结果可以是交错数组，因为样品前体的数据集可以有不同的行数。在这种情况下，预测用适当数量的零预填充变量以形成矩阵。预测通过删除包含至少一个南.预测从步骤2的结果提取处理的样品前体的数据集，并删除所有prepadded零。
列表删除减少了样本量，并且可以创建不规则的时间序列。
兼容性注意事项
工具书类
[1] 广义自回归条件异方差计量经济学杂志.卷。31，1986年，第307-327。
[2] 投机性价格和回报率的条件异方差时间序列模型经济学与统计学综述. 1987年第69卷，第542-547页。
[3]盒，G. E. P.，G. M.詹金斯，和G. C.赖因泽尔。时间序列分析：预测与控制. 第3版，恩格伍德悬崖，新泽西州：普伦蒂斯霍尔，1994年。
[4] 恩德斯，W。应用计量经济学时间序列. 新泽西州霍博肯：约翰威利父子公司，1995年。
[5]恩格尔，R. F.“自回归条件异与英国通货膨胀的方差的估计。”计量经济学. 1982年第50卷，第987-1007页。
[6] Glosten，L. R.，R.杰甘南森和D. E.朗克尔。“在预期值与标称超额回报的股票的波动性之间的关系。”金融杂志.卷。48，第5号，1993年，第1779至1801年。
[7] 汉密尔顿，J.D。时间序列分析. 新泽西州普林斯顿：普林斯顿大学出版社，1994年。
[8] 资产回报的条件异方差：一种新方法计量经济学. 1991年第59卷，第347-370页。
于r2012年引入
也可以从以下列表中选择网站：
