Оцените смещение прогноза EGARCH Используя симуляции

Этот пример показывает, как моделировать процесс EGARCH. Основанные на симуляции прогнозы сравниваются с прогнозами минимальной среднеквадратичной погрешности (MMSE), показывая смещение в прогнозировании MMSE процессов EGARCH.

Задайте модель EGARCH.

Задайте EGARCH (1,1) процесс с константой κ=0.01, Коэффициент GARCH γ1=0.7, Коэффициент ДУГИ α1=0.3 и усильте коэффициент ξ1=-0.1.

Mdl = egarch('Constant',0.01,'GARCH',0.7,...
    'ARCH',0.3,'Leverage',-0.1)
Mdl = 
  egarch with properties:

     Description: "EGARCH(1,1) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: 0.01
           GARCH: {0.7} at lag [1]
            ARCH: {0.3} at lag [1]
        Leverage: {-0.1} at lag [1]
          Offset: 0

Моделируйте одну реализацию.

Моделируйте одну реализацию длины 50 от условного процесса отклонения EGARCH и соответствующих инноваций.

rng default; % For reproducibility

[v,y] = simulate(Mdl,50);

figure
subplot(2,1,1)
plot(v)
xlim([0,50])
title('Conditional Variance Process')

subplot(2,1,2)
plot(y)
xlim([0,50])
title('Innovations')

Моделируйте несколько реализации.

Используя сгенерированные условные отклонения и инновации как преддемонстрационные данные, моделируйте 5 000 реализации процесса EGARCH для 50 будущих временных шагов. Постройте среднее значение симуляции предсказанного условного процесса отклонения.

rng default; % For reproducibility
[Vsim,Ysim] = simulate(Mdl,50,'NumPaths',5000,...
                       'E0',y,'V0',v);

figure
plot(v,'k')
hold on
plot(51:100,Vsim,'Color',[.85,.85,.85])
xlim([0,100])
h = plot(51:100,mean(Vsim,2),'k--','LineWidth',2);
title('Simulated Conditional Variance Process')
legend(h,'Simulation Mean','Location','NorthWest')
hold off

Сравните моделируемые и условные прогнозы отклонения MMSE.

Сравните среднее отклонение симуляции, прогноз отклонения MMSE, и exponentiated, теоретическое безусловное логарифмическое отклонение.

exponentiated, теоретическое безусловное логарифмическое отклонение для заданной модели EGARCH(1,1)

σε2=exp{κ(1-γ1)}=exp{0.01(1-0.7)}=1.0339.

sim = mean(Vsim,2);
fcast = forecast(Mdl,50,y,'V0',v);
sig2 = exp(0.01/(1-0.7));

figure
plot(sim,':','LineWidth',2)
hold on
plot(fcast,'r','LineWidth',2)
plot(ones(50,1)*sig2,'k--','LineWidth',1.5)
legend('Simulated','MMSE','Theoretical')
title('Unconditional Variance Comparisons')
hold off

MMSE и exponentiated, теоретическое логарифмическое отклонение смещается относительно безусловного отклонения (приблизительно на 4%) потому что неравенством Иенсена,

E(σt2)exp{E(журналσt2)}.

Сравните моделируемый, и MMSE регистрируют условные прогнозы отклонения.

Сравните среднее логарифмическое отклонение симуляции, журнал прогноз отклонения MMSE и теоретическое, безусловное логарифмическое отклонение.

logsim = mean(log(Vsim),2);
logsig2 = 0.01/(1-0.7);

figure
plot(logsim,':','LineWidth',2)
hold on
plot(log(fcast),'r','LineWidth',2)
plot(ones(50,1)*logsig2,'k--','LineWidth',1.5)
legend('Simulated','MMSE','Theoretical')
title('Unconditional Log Variance Comparisons')
hold off

Прогноз MMSE безусловного логарифмического отклонения является несмещенным.

Смотрите также

Объекты

Функции

Связанные примеры

Больше о

Для просмотра документации необходимо авторизоваться на сайте