估计
使用最大化对数似然函数fmincon
从优化工具箱™.fmincon
有许多优化选项,如优化算法的选择和约束违背容限。使用以下方法选择优化选项optimoptions
.
估计
使用fmincon
默认情况下的优化选项,但有以下例外。有关详细信息,请参阅fmincon
和optimoptions
在优化工具箱中。
optimoptions属性 | 描述 | 估计设置 |
---|---|---|
算法 |
负对数似然函数的极小化算法 | “sqp” |
显示 |
优化进度显示级别 | “关” |
诊断 |
显示关于要最小化的功能的诊断信息 | “关” |
ConstraintTolerance |
对约束违反的终止容忍 | 1 e - |
如果要使用不同于默认值的优化选项,请使用optimoptions
.
例如,假设您想要估计
显示优化诊断。最佳实践是设置名称-值对参数“显示”、“诊断”
在估计
.或者,您可以指示优化器显示优化诊断。
定义一个GARCH(1,1)模型(Mdl
)并从中模拟数据。
Mdl0=garch(“拱”, 0.2,“四国”,0.5,“常数”,0.5);rng(1);y=模拟(MDL0500);
Mdl
没有回归组件。默认情况下,fmincon
不显示优化诊断。请使用optimoptions
将其设置为显示优化诊断,并设置其他fmincon
属性设置为的默认设置估计
在上表中列出。
选择= optimoptions (@fmincon,“诊断”,“上”,“算法”,...“sqp”,“显示”,“关”,“ConstraintTolerance”,1e-7)
选项=fmincon选项:当前算法(“sqp”)使用的选项:(其他可用算法:“活动集”、“内部点”、“sqp遗留”、“信赖域反射”)集属性:算法:“sqp”约束公差:1.0000e-07显示:“关闭”默认属性:检查渐变:0 FinitedDifferencesTepSize:“sqrt(eps)'FinitedDifferenceType:'forward'MaxFunctionEvaluations:'100*numberOfVariables'MaxIterations:400 ObjectiveLimit:-1.0000e+20 OptimilityTolerance:1.0000e-06 OutputFcn:[]绘图FCN:[]缩放问题:0 SpecificyConstraintGradient:0 SpecificyObjectiveRadient:0 StepTolerance:1.0000e-06 TypicalX:'个(变量数量,1)'UseParallel:0显示当前算法未使用的选项('sqp')
% @fmincon是fmincon的函数句柄
控件下显示您设置的选项设定的用户:
标题下的属性默认值:
标题是您可以设置的其他选项。
适合Mdl
来y
使用新的优化选项。
Mdl=garch(1,1);EstMdl=estimate(Mdl,y,“选项”、选择);
____________________________________________________________诊断信息变量数:3个函数目标:@(X)Mdl.nLogLikeGaussian(X,V,E, lag,1,maxPQ,T,nan,trapValue)梯度:有限差分Hessian:有限差分(或拟牛顿)约束非线性约束:线性不等式约束个数:1线性等式约束个数:0下界约束个数:3上界约束个数:3算法选择sqp ____________________________________________________________结束诊断信息GARCH(1,1)条件方差模型(高斯分布):Value StandardError TStatistic PValue _______ _____________ __________ ________ Constant 0.43145 0.46565 0.92657 0.35415 GARCH{1} 0.31435 0.24992 1.2578 0.20847 ARCH{1} 0.57143 0.32677 1.7487 0.080343
请注意
估计
在数值上最大化对数似然函数,潜在地使用等式、不等式和上下限约束。如果你设置算法
除了sqp
,确保算法支持类似的约束,例如金宝app内点
.例如,trust-region-reflective
不支持不平等约束。金宝app
估计
设置的约束级别ConstraintTolerance
所以约束没有被违反。具有主动约束的估计具有不可靠的标准误差,因为方差协方差估计假设似然函数是最大似然估计的局部二次。
该软件在估计GARCH模型时执行这些约束:
Covariance-stationarity,
GARCH和ARCH系数的正性
模型常数严格大于零
对于一个t创新分布,自由度严格大于2
对于GJR模型,估计过程中施加的约束为:
Covariance-stationarity约束,
GARCH和ARCH系数的正性约束
拱系数和杠杆系数之和的正性,
模型常数严格大于零
对于一个t创新分布,自由度严格大于2
对于EGARCH模型,估算期间实施的约束为:
GARCH系数多项式的稳定性
对于一个t创新分布,自由度严格大于2