Exponenta Banner

Обнаружьте эффекты ДУГИ Используя приложение Econometric Modeler

Эти примеры показывают, как оценить, имеет ли ряд энергозависимость, кластеризирующуюся при помощи приложения Econometric Modeler. Методы включают коррелограммы осмотра квадратов остатков и тестирования на значительные задержки ДУГИ. Набор данных, сохраненный в Data_EquityIdx.mat, содержит серию ежедневных цен закрытия NASDAQ от 1 990 до 2001.

Осмотрите коррелограммы квадратов остатков для эффектов ДУГИ

Этот пример показывает, как визуально определить, имеет ли ряд значительные эффекты ДУГИ путем графического вывода автокорреляционной функции (ACF) и частичная автокорреляционная функция (PACF) серии квадратов остатков.

В командной строке загрузите набор данных Data_EquityIdx.mat.

load Data_EquityIdx

Набор данных содержит таблицу цен закрытия NASDAQ и NYSE среди других переменных. Для получения дополнительной информации о наборе данных, введите Description в командной строке.

Преобразуйте таблицу DataTable в расписание (для получения дополнительной информации смотрите, Готовят Данные временных рядов к Приложению Econometric Modeler).

dates = datetime(dates,'ConvertFrom','datenum',...
     'Format','ddMMMyyyy');                              % Convert dates to datetimes
DataTable.Properties.RowNames = {};                      % Clear row names
DataTable = table2timetable(DataTable,'RowTimes',dates); % Convert table to timetable

В командной строке откройте приложение Econometric Modeler.

econometricModeler

Также откройте приложение из галереи приложений (см. Econometric Modeler).

Импортируйте DataTable в приложение:

  1. На вкладке Econometric Modeler, в разделе Import, нажатии кнопки.

  2. В диалоговом окне Import Data, в столбце Import?, устанавливают флажок для переменной DataTable.

  3. Нажмите Import.

Переменные появляются в Data Browser, и график временных рядов всего ряда появляется в окне рисунка Time Series Plot(NASDAQ).

Преобразуйте дневное закрытие, индексные ряды NASDAQ к проценту возвращают ряд путем взятия журнала ряда, затем взятия первого различия регистрируемого ряда:

  1. В Data Browser выберите NASDAQ.

  2. На вкладке Econometric Modeler, в разделе Transforms, нажимают Log.

  3. С выбранным NASDAQLog, в разделе Transforms, нажимают Difference.

  4. Поменяйте имя NASDAQLogDiff к NASDAQReturns:

    1. В Data Browser щелкните правой кнопкой по NASDAQLogDiff.

    2. В контекстном меню выберите Rename.

    3. Введите NASDAQReturns.

График временных рядов NASDAQ возвращается, появляется в окне рисунка Time Series Plot(NASDAQReturns).

Возвраты, кажется, колеблются вокруг постоянного уровня, но кластеризации энергозависимости выставки. Большие изменения в возвратах имеют тенденцию кластеризироваться вместе, и небольшие изменения имеют тенденцию кластеризироваться вместе. Таким образом, ряд показывает условное выражение heteroscedasticity.

Вычислите квадраты остатков:

  1. Экспортируйте NASDAQReturns в MATLAB® Workspace:

    1. В Data Browser щелкните правой кнопкой по NASDAQReturns.

    2. В контекстном меню выберите Export.

    NASDAQReturns появляется в рабочем пространстве MATLAB.

  2. В командной строке:

    1. Для числовой устойчивости масштабируйте возвраты фактором 100.

    2. Создайте остаточный ряд путем удаления среднего значения из масштабированного ряда возвратов. Поскольку вы взяли первое различие цен NASDAQ, чтобы создать возвраты, первый элемент возвратов отсутствует. Поэтому, чтобы оценить демонстрационное среднее значение ряда, необходимо использовать nanmean.

    3. Придайте невязкам квадратную форму.

    4. Добавьте квадраты остатков как новую переменную к расписанию DataTable.

    NASDAQReturns = 100*NASDAQReturns;
NASDAQResiduals = NASDAQReturns - nanmean(NASDAQReturns);
NASDAQResiduals2 = NASDAQResiduals.^2;
DataTable.NASDAQResiduals2 = NASDAQResiduals2;

В Econometric Modeler, импорт DataTable:

  1. На вкладке Econometric Modeler, в разделе Import, нажатии кнопки.

  2. В диалоговом окне Econometric Modeler нажмите OK, чтобы очистить все переменные и документы в приложении.

  3. В диалоговом окне Import Data, в столбце Import?, устанавливают флажок для DataTable.

  4. Нажмите Import.

Постройте ACF и PACF:

  1. В Data Browser выберите временные ряды NASDAQResiduals2.

  2. Кликните по вкладке Plots, затем нажмите ACF.

  3. Кликните по вкладке Plots, затем нажмите PACF.

  4. Закройте окно рисунка Time Series Plot(NASDAQ). Затем расположите окно рисунка ACF(NASDAQResiduals2) выше окна рисунка PACF(NASDAQResiduals2).

Демонстрационный ACF и PACF показывают значительную автокорреляцию в квадратах остатков. Этот результат показывает, что кластеризация энергозависимости присутствует.

Проведите Q-тест Ljung-поля на квадратах остатков

Этот пример показывает, как протестировать квадраты остатков на значительные эффекты ДУГИ с помощью Q-теста Ljung-поля.

В командной строке:

  1. Загрузите набор данных Data_EquityIdx.mat.

  2. Преобразуйте цены NASDAQ в возвраты. Чтобы поддержать правильную основу времени, предварительно ожидайте получившиеся возвраты со значением NaN.

  3. Масштабируйтесь NASDAQ возвращается.

  4. Вычислите невязки путем удаления среднего значения из масштабированных возвратов.

  5. Придайте невязкам квадратную форму.

  6. Добавьте вектор квадратов остатков как переменная к DataTable.

  7. Преобразуйте DataTable от таблицы до расписания.

Для получения дополнительной информации на шагах, смотрите, Осматривают Коррелограммы Квадратов остатков для Эффектов ДУГИ.

load Data_EquityIdx

NASDAQReturns = 100*price2ret(DataTable.NASDAQ);
NASDAQReturns = [NaN; NASDAQReturns];
NASDAQResiduals2 = (NASDAQReturns - nanmean(NASDAQReturns)).^2;
DataTable.NASDAQResiduals2 = NASDAQResiduals2;

dates = datetime(dates,'ConvertFrom','datenum');
DataTable.Properties.RowNames = {};
DataTable = table2timetable(DataTable,'RowTimes',dates);

В командной строке откройте приложение Econometric Modeler.

econometricModeler

Также откройте приложение из галереи приложений (см. Econometric Modeler).

Импортируйте DataTable в приложение:

  1. На вкладке Econometric Modeler, в разделе Import, нажатии кнопки.

  2. В диалоговом окне Import Data, в столбце Import?, устанавливают флажок для переменной DataTable.

  3. Нажмите Import.

Переменные появляются в Data Browser, и график временных рядов всего ряда появляется в окне рисунка Time Series Plot(NASDAQ).

Протестируйте нулевую гипотезу, что первый m = 5 задержек автокорреляции квадратов остатков является совместно нулевым при помощи Q-теста Ljung-поля. Затем протестируйте нулевую гипотезу, что первый m = 10 задержек автокорреляции квадратов остатков является совместно нулевым.

  1. В Data Browser выберите временные ряды NASDAQResiduals2.

  2. На вкладке Econometric Modeler, в разделе Tests, нажимают New Test> Ljung-Box Q-Test.

  3. На вкладке LBQ, в разделе Parameters, набор и Number of Lags и DOF к 5. Чтобы поддержать уровень значения 0,05 для двух тестов, установите Significance Level на 0,025.

  4. В разделе Tests нажмите Run Test.

  5. Повторите шаги 3 и 4, но установите и Number of Lags и DOF к 10 вместо этого.

Результаты испытаний появляются в таблице Results документа LBQ(NASDAQResiduals2).

Нулевая гипотеза отклоняется для двух тестов. p - значение для каждого теста 0. Результаты показывают, что не каждая автокорреляция, чтобы отстать 5 (или 10) является нулем, указывая на энергозависимость, кластеризирующуюся в квадратах остатков.

Проведите тест ДУГИ Энгла

Этот пример показывает, как протестировать невязки на значительные эффекты ДУГИ с помощью Теста ДУГИ Энгла.

В командной строке:

  1. Загрузите набор данных Data_EquityIdx.mat.

  2. Преобразуйте цены NASDAQ в возвраты. Чтобы поддержать правильную основу времени, предварительно ожидайте получившиеся возвраты со значением NaN.

  3. Масштабируйтесь NASDAQ возвращается.

  4. Вычислите невязки путем удаления среднего значения из масштабированных возвратов.

  5. Добавьте вектор невязок как переменная к DataTable.

  6. Преобразуйте DataTable от таблицы до расписания.

Для получения дополнительной информации на шагах, смотрите, Осматривают Коррелограммы Квадратов остатков для Эффектов ДУГИ.

load Data_EquityIdx

NASDAQReturns = 100*price2ret(DataTable.NASDAQ);
NASDAQReturns = [NaN; NASDAQReturns];
NASDAQResiduals = NASDAQReturns - nanmean(NASDAQReturns);
DataTable.NASDAQResiduals = NASDAQResiduals;

dates = datetime(dates,'ConvertFrom','datenum');
DataTable.Properties.RowNames = {};
DataTable = table2timetable(DataTable,'RowTimes',dates);

В командной строке откройте приложение Econometric Modeler.

econometricModeler

Также откройте приложение из галереи приложений (см. Econometric Modeler).

Импортируйте DataTable в приложение:

  1. На вкладке Econometric Modeler, в разделе Import, нажатии кнопки.

  2. В диалоговом окне Import Data, в столбце Import?, устанавливают флажок для переменной DataTable.

  3. Нажмите Import.

Переменные появляются в Data Browser, и график временных рядов всего ряда появляется в окне рисунка Time Series Plot(NASDAQ).

Протестируйте нулевую гипотезу, что ряд невязок NASDAQ не показывает эффектов ДУГИ при помощи теста ДУГИ Энгла. Укажите, что ряд невязок является моделью ARCH (2).

  1. В Data Browser выберите временные ряды NASDAQResiduals.

  2. На вкладке Econometric Modeler, в разделе Tests, нажимают New Test> Engle's ARCH Test.

  3. На вкладке ARCH, в разделе Parameters, устанавливает Number of Lags на 2.

  4. В разделе Tests нажмите Run Test.

Результаты испытаний появляются в таблице Results документа ARCH(NASDAQResiduals).

Нулевая гипотеза отклоняется в пользу ДУГИ (2) альтернатива. Результат испытаний указывает на значительную энергозависимость, кластеризирующуюся в невязках.

Смотрите также

Приложения

Функции

Похожие темы

Документация Econometrics Toolbox
Поддержка