garch

GARCH条件方差时间序列模型

全部展开页面

描述

用garch指定单变量加曲（广义自回归条件异源间）模型。的garch函数返回一个garch对象指定的功能形式GARCH (P，问)模型，并存储其参数值。

a的关键成分garch模型包括:

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和问分别为GARCH和ARCH多项式的最大非零滞后。其他模型成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。

所有的系数是未知（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或预测,分别。

创建

语法

mdl = garch.

MDL = GARCH（P，Q）

MDL = GARCH（名称，价值）

描述

例子

MDL.= garch返回零度条件方差garch对象。

例子

MDL.= garch（P，问）创建一个GARCH条件方差模型对象（MDL.）用的程度的GARCH多项式P以及一次的ARCH多项式问．GARCH和ARCH多项式包含从1到其阶的所有连续滞后，所有系数为南值。

此语法速记使您能够创建在其中明确指定多项式度的模板。该模型模板适用于不受限制的参数估计，也就是说，估计不带任何参数等式约束。但是，在创建模型之后，你可以改变使用点符号属性值。

例子

MDL.= garch（名称，价值）集属性或使用名称值对参数的其他选项。将每个名称括在引号中。例如，“ARCHLags”,[1 - 4],“拱”,{0.2 - 0.3}中的两个ARCH系数拱在落后1和4．

该手写语法，您可以创建更加灵活的模型。

输入参数

展开全部

简写语法为您提供了一种简单的方法来创建适合于不受限制的参数估计的模型模板。例如，要创建一个包含未知参数值的GARCH(1,2)模型，输入:

Mdl = garch(1、2);

要在估计期间对参数值施加等式约束，请设置适当的财产值使用点表示法。

`P`- - - - - -GARCH多项式程度
非负整数

GARCH多项式的次数，指定为非负整数。在GARCH多项式和时间t, MATLAB^®包括从滞后所有连续的条件方差术语t- 1 through lagt- - - - - -P．

属性指定此参数garch（P，Q）简写语法。

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：双倍的

`问`- - - - - -拱多项式
非负整数

ARCH多项式的次数，指定为非负整数。在ARCH多项式中t，MATLAB包括来自滞后所有连续平方创新方面t- 1 through lagt- - - - - -问．

属性指定此参数garch（P，Q）简写语法。

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：双倍的

名称值对参数

指定可选的逗号分隔的对名称，价值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。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，估计强加任何已知的参数等式约束。

例子:'ARCHLags'，[1〜4]， 'ARCH'，{楠楠}指定一个GARCH(0,4)模型和未知但非零的滞后ARCH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'和一个唯一正整数的数字向量。

GARCHLags（j）滞后是否与系数相对应GARCH {j｝．长度的GARCHLags和加油必须是相等的。

假设所有GARCH系数（由此指定）加油属性)为正数或南值,MAX（GARCHLags）确定的值P财产。

例子:“GARCHLags”,[1 - 4]

数据类型：双倍的

`“ARCHLags”`- - - - - -拱多项式滞后
`1：Q`（默认）|独特正整数的数字矢量

ARCH多项式滞后，指定为逗号分隔的一对组成的“ARCHLags”和一个唯一正整数的数字向量。

ARCHLags (j）滞后是否与系数相对应拱{j｝．长度的ARCHLags和拱必须是相等的。

假设所有拱系数（由此指定）拱属性)为正数或南值,马克斯(ARCHLags)确定的值问财产。

例子:'archlags'，[1 4]

数据类型：双倍的

特性

展开全部

您可以在通过使用名称-值对参数语法创建模型对象时设置可写属性值，或者在通过使用点表示法创建模型对象之后设置可写属性值。例如，要创建具有未知系数的GARCH（1,1）模型，然后指定一个t自由度未知的创新分布，进入:

Mdl = garch(“GARCHLags”1“ARCHLags”,1);mdl.distribution.＝“t”;

`P`- - - - - -GARCH多项式程度
非负整数

此属性是只读的。

GARCH多项式的次数，指定为非负整数。PGARCH多项式的最大滞后系数是正的还是南．滞后小于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。

如果使用名称 - 值对参数创建模型，然后MATLAB实现这些选择之一（假设最大滞后的系数为正或南）：

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garch使用GARCHLags来确定P代替。
否则,P是0．

数据类型：双倍的

`问`- - - - - -拱多项式
非负整数

此属性是只读的。

ARCH多项式的次数，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．滞后小于问可以具有等于0的系数。

问指定启动模型所需的样品创新的最小数量。

如果使用名称 - 值对参数创建模型，然后MATLAB实现这些选择之一（假设最大滞后的系数为正或南）：

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garch使用它的值来确定问代替。
否则,问是0．

数据类型：双倍的

`持续的`- - - - - -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：双倍的

`加油`- - - - - -GARCH多项式系数
正标量的细胞矢量或`南`值

GARCH多项式系数，指定为正标量的细胞向量或南值。

如果您指定GARCHLags，那么以下条件适用。
- 长度的加油和GARCHLags是相等的。
- GARCH {j｝是滞后系数GARCHLags（j）．
- 默认情况下，加油是A.元素个数(GARCHLags)-by-1细胞向量南值。
否则，以下条件适用。
- 的长度加油是P．
- GARCH {j｝是滞后系数j．
- 默认情况下，加油是A.P-by-1细胞向量南值。

在系数加油对应于底层的系数LagOp滞后算子多项式，并有可能接近零容忍排斥试验。如果设置一个系数1 e-12或以下，garch排除系数，并在其相应的滞后GARCHLags从模型。

数据类型：细胞

`拱`- - - - - -拱多项式系数
正标量的细胞矢量或`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，那么以下条件适用。
- 长度的拱和ARCHLags是相等的。
- 拱{j｝是滞后系数ARCHLags (j）．
- 默认情况下，拱是A.元素个数(ARCHLags)-by-1细胞向量南值。
否则，以下条件适用。
- 的长度拱是问．
- 拱{j｝是滞后系数j．
- 默认情况下，拱是A.问-by-1细胞向量南值。

在系数拱对应于底层的系数LagOp滞后算子多项式，并有可能接近零容忍排斥试验。如果设置一个系数1 e-12或以下，garch排除系数，并在其相应的滞后ARCHLags从模型。

数据类型：细胞

`无条件`- - - - - -模型条件方差
积极的标量

此属性是只读的。

模型无条件方差，指定为一个正标量。

无条件方差为

$σ_{ε}^{2} ＝ \frac{κ}{（ 1 - \sum_{我＝ 1}^{P} γ_{我} - \sum_{j ＝ 1}^{问} α_{j} ）} ．$

κ条件方差模型常数（持续的）。

数据类型：双倍的

`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：双倍的

`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。garch将值存储为结构数组。

分配	字符串	结构数组
高斯	`“高斯”`	`结构(“名字”,“高斯”)`
学生们t	`“t”`	`结构(“名字”,“t”,景深,景深)`

的'DOF'字段指定t自由度分布参数。

景深> 2或景深＝南．
景深是难能可贵的。
如果您指定“t”，景深是南默认情况下。您可以在创建模型之后通过使用点表示法更改它的值。例如，Mdl.Distribution.DoF = 3．
如果您提供一个结构数组来指定Student的t分布，则必须指定“名字”和'DOF'字段。

例子:结构(“名字”,“t”、“景深”,10)

`描述`- - - - - -型号说明
字符串标量|字符向量

模型描述，指定为字符串标量或字符向量。garch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”、“模式1”

数据类型：细绳|字符

请注意

全部南-值模型参数，其中包括系数和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garch对象和数据到估计， MATLAB估计南有价值的参数。在估计期间，估计将已知参数视为等式约束，即，估计将所有已知参数固定在其值上。

对象的功能

`估计`	适合条件方差模型数据
`过滤器`	通过条件方差模型筛选干扰
`预测`	根据条件方差模型预测条件方差
`推断`	推断条件方差模型的条件方差
`模拟`	条件方差模型的蒙特卡罗模拟
`总结`	显示条件方差模型的估计结果

例子

全部收缩

创建默认GARCH模型

打开直播脚本

创建一个默认的garch模型对象并使用点表示法指定其参数值。

创建一个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A.garch模型。它包含一个未知的常量，它的偏移是0和创新分布“高斯”．该模型没有GARCH或ARCH多项式。

使用点符号为滞后1和2指定两个未知的ARCH系数。

Mdl。一个RCH = {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

的问和拱属性更新为2和{南南}．两个ARCH系数与滞后1和2相关联。

使用简写语法创建GARCH模型

打开直播脚本

创建一个garch模型使用速记符号Garch（p，q），在哪里PGARCH多项式的次数是多少问为ARCH多项式的次数。

创建一个GARCH(3,2)模型。

MDL = GARCH（3,2）

MDL = GARCH具有属性：说明： “GARCH（3,2）的条件方差模型（高斯分布）” 分布：名称= “高斯” P：3 Q：2常数：NaN的GARCH：{楠楠的NaN}在滞后[12 3] ARCH：{楠楠}在滞后[1 2]偏移量：0

MDL.是A.garch模型对象。所有的属性MDL.，除了P，问，和分配,都是南值。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.仅指定一个GARCH模型的函数形式。因为它含有未知参数值，你可以通过MDL.和时间序列数据估计来估计参数。

建立GARCH模型使用了普通的语法

打开直播脚本

创建一个garch使用名称-值对参数进行建模。

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”南)

描述:“garch(1,1)带偏移的条件方差模型(高斯分布)”分布:Name = "Gaussian" P: 1 Q: 1 Constant: NaN GARCH: {NaN} at lag [1] ARCH: {NaN} at lag [1] Offset: NaN

MDL.是A.garch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，问，和分配．

自MDL.包含南值,MDL.仅适用于估算。通过MDL.和时间序列数据估计．

创建具有已知系数的GARCH模型

打开直播脚本

建立具有平均偏移量的GARCH(1,1)模型，

$y_{t} ＝ 0 ． 5 + ε_{t} ，$

在哪里 $ε_{t} ＝ σ_{t} z_{t} ，$

$σ_{t}^{2} ＝ 0 ． 0001 + 0 ． 75 σ_{t - 1}^{2} + 0 ． 1 ε_{t - 1}^{2} ，$

和 $z_{t}$ 是一个独立的同分布标准高斯过程。

Mdl = garch (“不变”, 0.0001,“四国”, 0.75,.．.“拱”, 0.1,“抵消”，0.5）

描述:“garch(1,1)带偏移的条件方差模型(高斯分布)”分布:Name = "高斯" P: 1 Q: 1 Constant: 0.0001 GARCH: {0.75} at lag [1] ARCH: {0.1} at lag [1] Offset: 0.5

garch将默认值分配给未使用名称-值对参数指定的任何属性。

访问GARCH模型属性

打开直播脚本

访问a的属性garch使用点表示法的模型对象。

创建一个garch模型对象。

MDL = GARCH（3,2）

MDL = GARCH具有属性：说明： “GARCH（3,2）的条件方差模型（高斯分布）” 分布：名称= “高斯” P：3 Q：2常数：NaN的GARCH：{楠楠的NaN}在滞后[12 3] ARCH：{楠楠}在滞后[1 2]偏移量：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

MDL = GARCH具有属性：说明： “GARCH（3,2）的条件方差模型（高斯分布）” 分布：名称= “高斯” P：3 Q：2常数：NaN的GARCH：{楠楠}在滞后[1 3] ARCH：{楠楠}在滞后[1 2]偏移量：0

GARCH多项式有两个未知参数，分别对应滞后1和3。

显示扰动的分布。

mdl.distribution.

ans =.结构与字段：名称：“高斯”

干扰为高斯分布，均值为0，方差为1。

指定底层独立同分布干扰有t分布五个自由度。

mdl.distribution.＝struct(“名字”，“t”，'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

指定第一次滞后的ARCH系数为0.2，第二次滞后的ARCH系数为0.1。

Mdl.ARCH = {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

要估计剩下的参数，您可以通过MDL.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或预测,分别。

估计GARCH模型

打开直播脚本

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。绘制名义回报率(NR.）。

负载Data_Danish；NR = DataTable.RN;数字;图（日期，NR）;持有在；情节([日期(1)日期(结束)],[0 0),'r：'）;％剧情y = 0的持有离开；标题(“丹麦名义股票回报”）;ylabel (的名义收益率(%)）;包含(“年”）;

图中包含一个坐标轴。标题为丹麦名义股票回报的轴包含2个类型为line的对象。

名义收益率序列似乎有一个非零条件均值偏移，似乎表现出波动聚类。也就是说，变化是前几年比它小的晚年。对于这个例子，假定一个GARCH（1,1）模型适合于这个系列。

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”、南);

适合GARCH（1,1）模型的数据。

EstMdl =估计(Mdl、nr);

GARCH(1,1)带偏移的条件方差模型(高斯分布):Value StandardError TStatistic PValue _________ _____________ __________ _________ Constant 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 Offset 0.11227 0.039214 2.8629 0.0041974

EstMdl是完全指定的garch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。

要模拟条件变化或响应，请通过EstMdl来模拟．

要预测创新，先过去EstMdl来预测．

模拟GARCH模型的观察和条件方差

打开直播脚本

模拟完全指定的条件方差或响应路径garch模型对象。也就是说，估计从模拟garch模型或已知garch模型，在其中指定所有参数值。

加载Data_Danish数据集。

负载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”、南);EstMdl =估计(Mdl、nr);

GARCH(1,1)带偏移的条件方差模型(高斯分布):Value StandardError TStatistic PValue _________ _____________ __________ _________ Constant 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 Offset 0.11227 0.039214 2.8629 0.0041974

从估计的GARCH模型中模拟每个时期的100条条件方差和响应路径。

numObs =元素个数(nr);％样品尺寸（T）numPaths = 100;%要模拟的路径数rng (1);%的再现性[VSim, YSim] =模拟(EstMdl numObs,'numpaths', numPaths);

VSim和ysim是T——- - - - - -numPaths矩阵。行对应一个采样周期，列对应一个模拟路径。

绘制模拟路径的平均值和97.5%和2.5%的百分比。将模拟统计数据与原始数据进行比较。

VSimBar =平均（VSIM，2）;VSimCI =位数（VSIM，[0.025 0.975]，2）;YSimBar =平均（YSim，2）;YSimCI =位数（YSim，[0.025 0.975]，2）;数字;副区（2,1,1）;H1 =图（日期，VSIM，“颜色”, 0.8 *(1、3));持有在；h2 =情节(日期、VSimBar“k——”，'行宽'2);h3 =情节(日期、VSimCI'R--'，'行宽'2);持有离开；标题(“模拟条件方差”）;ylabel (的电导率。var。）;包含(“年”）;次要情节(2,1,2);h1 =情节(日期、YSim“颜色”, 0.8 *(1、3));持有在；H2 =图（日期，YSimBar，“k——”，'行宽'2);h3 = plot（日期，ysimci，'R--'，'行宽'2);持有离开；标题(“模拟名义回报”）;ylabel (的名义收益率(%)）;包含(“年”）;图例（[H 1（1）H 2 H3（1）]，{“模拟路径”“的意思是”“信心界限”}，.．.'字体大小'7“位置”，“西北”）;

图包含2个轴。轴1与标题模拟条件方差包含类型的线103级的对象。轴2与模拟标题标称返回包含类型的线103级的对象。这些对象代表模拟路径，平均值，置信区间。

预测GARCH模型条件方差

打开直播脚本

预测来自完全指定的条件差异garch模型对象。也就是说，根据估计做出的预测garch模型或已知garch模型，在其中指定所有参数值。下面的例子是估计GARCH模型．

加载Data_Danish数据集。

负载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”、南);EstMdl =估计(Mdl、nr);

GARCH(1,1)带偏移的条件方差模型(高斯分布):Value StandardError TStatistic PValue _________ _____________ __________ _________ Constant 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 Offset 0.11227 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);

绘制名义收益的预测条件方差。将预测与观测到的条件方差进行比较。

V =推断（EstMdl，NR）;数字;图（日期，V，'K：'，'行宽'2);持有在；情节(日期(结束):日期(结束)+ 10 (v(结束);vF),“r”，'行宽'2);标题(“名义收益的预测条件方差”）;ylabel (“有条件的差异”）;包含(“年”）;传奇({'估计样品COND。var。，预测电导率。var。}，.．.“位置”，“最佳”）;

图中包含一个坐标轴。标题为“名义收益的预测条件方差”的轴包含两个类型为line的对象。这些对象代表估计样本第二。var,预测电导率。var . .

变量	描述	财产
μ	创新意味着模型常量偏移	`“抵消”`
κ> 0	条件方差模型常数	`“不变”`
$γ_{我} \geq 0$	GARCH组件系数	`“四国”`
$α_{j} \geq 0$	拱分量系数	`“拱”`
z_t	具有平均0和方差1的独立随机变量系列	`“分布”`

提示

您可以指定一个garch模型作为条件均值和方差模型组成的一部分。有关详细信息,请参见华宇电脑．

参考文献

Tsay, r.s。金融时间序列分析．3 ed。新泽西州霍博肯市：John Wiley和Sons公司，2010。

garch

描述

创建

语法

描述

输入参数

`P`- - - - - -GARCH多项式程度
非负整数

`问`- - - - - -拱多项式
非负整数

`'garchlags'`- - - - - -加入多项式滞后
`1：P`（默认）|独特正整数的数字矢量

`“ARCHLags”`- - - - - -拱多项式滞后
`1：Q`（默认）|独特正整数的数字矢量

特性

`P`- - - - - -GARCH多项式程度
非负整数

`问`- - - - - -拱多项式
非负整数

`持续的`- - - - - -条件方差模型常数
`南`（默认）|积极的标量

`加油`- - - - - -GARCH多项式系数
正标量的细胞矢量或`南`值

`拱`- - - - - -拱多项式系数
正标量的细胞矢量或`南`值

`无条件`- - - - - -模型条件方差
积极的标量

`抵消`- - - - - -创新平均模型补偿
`0`（默认）|数字标量|`南`

`分配`- - - - - -创新过程的条件概率分布
`“高斯”`（默认）|`“t”`|结构数组

`描述`- - - - - -型号说明
字符串标量|字符向量

对象的功能

例子

创建默认GARCH模型

使用简写语法创建GARCH模型

建立GARCH模型使用了普通的语法

创建具有已知系数的GARCH模型

访问GARCH模型属性

估计GARCH模型

模拟GARCH模型的观察和条件方差

预测GARCH模型条件方差

更多关于

GARCH模型

提示

参考文献

另请参阅

对象

主题

计量经济学工具文档

金宝app

实用指南建模金融风险与MATLAB

garch

描述

创建

语法

描述

输入参数

P- - - - - -GARCH多项式程度非负整数

问- - - - - -拱多项式非负整数

'garchlags'- - - - - -加入多项式滞后1：P（默认）|独特正整数的数字矢量

“ARCHLags”- - - - - -拱多项式滞后1：Q（默认）|独特正整数的数字矢量

特性

P- - - - - -GARCH多项式程度非负整数

问- - - - - -拱多项式非负整数

持续的- - - - - -条件方差模型常数南（默认）|积极的标量

加油- - - - - -GARCH多项式系数正标量的细胞矢量或南值

拱- - - - - -拱多项式系数正标量的细胞矢量或南值

无条件- - - - - -模型条件方差积极的标量

抵消- - - - - -创新平均模型补偿0（默认）|数字标量|南

分配- - - - - -创新过程的条件概率分布“高斯”（默认）|“t”|结构数组

描述- - - - - -型号说明字符串标量|字符向量

对象的功能

例子

创建默认GARCH模型

使用简写语法创建GARCH模型

建立GARCH模型使用了普通的语法

创建具有已知系数的GARCH模型

访问GARCH模型属性

估计GARCH模型

模拟GARCH模型的观察和条件方差

预测GARCH模型条件方差

更多关于

GARCH模型

提示

参考文献

另请参阅

对象

主题

计量经济学工具文档

金宝app

实用指南建模金融风险与MATLAB

`P`- - - - - -GARCH多项式程度
非负整数

`问`- - - - - -拱多项式
非负整数

`'garchlags'`- - - - - -加入多项式滞后
`1：P`（默认）|独特正整数的数字矢量

`“ARCHLags”`- - - - - -拱多项式滞后
`1：Q`（默认）|独特正整数的数字矢量

`P`- - - - - -GARCH多项式程度
非负整数

`问`- - - - - -拱多项式
非负整数

`持续的`- - - - - -条件方差模型常数
`南`（默认）|积极的标量

`加油`- - - - - -GARCH多项式系数
正标量的细胞矢量或`南`值

`拱`- - - - - -拱多项式系数
正标量的细胞矢量或`南`值

`无条件`- - - - - -模型条件方差
积极的标量

`抵消`- - - - - -创新平均模型补偿
`0`（默认）|数字标量|`南`

`分配`- - - - - -创新过程的条件概率分布
`“高斯”`（默认）|`“t”`|结构数组

`描述`- - - - - -型号说明
字符串标量|字符向量