Exponenta Banner

фильтр

Пропустите воздействия через условную модель отклонения

свернуть все на странице

Синтаксис

[V,Y] = filter(Mdl,Z)
[V,Y] = filter(Mdl,Z,Name,Value)

Описание

пример

[V,Y] = filter(Mdl,Z) воздействия фильтров (Z) через полностью заданную условную модель отклонения (Mdl), чтобы произвести условные отклонения (v) и ответы (y). Mdl может быть garch, egarch или модель gjr.

пример

[V,Y] = filter(Mdl,Z,Name,Value) воздействия фильтров с помощью дополнительных опций заданы одним или несколькими аргументами пары Name,Value. Например, можно задать преддемонстрационное воздействие и условные пути к отклонению.

Примеры

свернуть все

Скрипт Open Live Script

Задайте модель GARCH(1,1) с Гауссовыми инновациями. 

Mdl = garch('Constant',0.005,'GARCH',0.8,'ARCH',0.1);

Моделируйте модель с помощью симуляции Монте-Карло. Затем стандартизируйте моделируемые инновации и отфильтруйте их. 

rng(1); % For reproducibility
[v,e] = simulate(Mdl,100,'E0',0,'V0',0.05);
Z = e./sqrt(v);
[V,E] = filter(Mdl,Z,'Z0',0,'V0',0.05);

Подтвердите, что выходные параметры simulate и filter идентичны. 

isequal(v,V)
ans = logical
   1

1 логического значения подтверждает, что эти два выходных параметров идентичны.

Скрипт Open Live Script

Задайте модель EGARCH(1,1) с Гауссовыми инновациями.

Mdl = egarch('Constant',-0.1,'GARCH',0.8,'ARCH',0.3,...
    'Leverage',-0.05);

Моделируйте 25 рядов стандартных Гауссовых наблюдений в течение 100 периодов.

rng(1); % For reproducibility
Z = randn(100,25);

Z представляет 25 путей синхронизируемых воздействий в течение 100 периодов.

Получите 25 путей условных отклонений путем пропущения путей к воздействию через модель EGARCH(1,1).

V = filter(Mdl,Z);

Постройте пути условных отклонений.

figure;
plot(V);
title('Conditional Variance Paths');
xlabel('Periods');

Скрипт Open Live Script

Задайте модель GJR(1,2) с Гауссовыми инновациями.

Mdl = gjr('Constant',0.005,'GARCH',0.8,'ARCH',{0.1 0.01},...
    'Leverage',{0.05 0.01});

Моделируйте 25 рядов стандартных Гауссовых наблюдений в течение 102 периодов.

rng(1); % For reproducibility
Z = randn(102,25);

Z представляет 25 путей синхронизируемых воздействий в течение 102 периодов.

Получите 25, 100 путей к периоду условных отклонений путем пропущения путей к воздействию через модель GJR(1,2). Задайте первые два воздействия как преддемонстрационные наблюдения.

V = filter(Mdl,Z(3:end,:),'Z0',Z(1:2,:));

Постройте пути условных отклонений.

figure;
plot(V);
title('Conditional Variance Paths');
xlabel('Periods');

Входные параметры

свернуть все

Условная модель отклонения без любых неизвестных параметров, заданных как garch, egarch или объект модели gjr.

Mdl не может содержать свойства, которые имеют значение NaN.

Пути к воздействию раньше управляли инновационным процессом, заданным как числовой вектор или матрица. Учитывая процесс отклонения, σt2, и процесс воздействия zt, инновационный процесс

εt=σtzt.

Как вектор-столбец, Z представляет один путь базового ряда воздействия.

Как матрица, строки Z соответствуют периодам. Столбцы соответствуют отдельным путям. Наблюдения через любую строку происходят одновременно.

Последний элемент или строка Z содержат последнее наблюдение.

Примечание

NaN s указывает на отсутствующие значения. filter удаляет эти значения из Z listwise удалением. Программное обеспечение удаляет любую строку Z по крайней мере с одним NaN. Удаление NaN s в данных уменьшает объем выборки и может также создать неправильные временные ряды.

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'Z0',[1 1;0.5 0.5],'V0',[1 0.5;1 0.5] задает два эквивалентных преддемонстрационных пути инноваций и два, различные преддемонстрационные пути условных отклонений.

Преддемонстрационные пути к воздействию, заданные как числовой вектор или матрица. Z0 обеспечивает начальные значения для входного ряда воздействия, Z.

  • Если Z0 является вектор-столбцом, то filter применяет его к каждому выводу path.

  • Если Z0 является матрицей, то он должен иметь, по крайней мере, столько же столбцов сколько Z. Если Z0 имеет больше столбцов, чем Z, то filter использует первые столбцы size(Z,2) только.

Z0 должен иметь, по крайней мере, строки Mdl.Q, чтобы инициализировать условную модель отклонения. Если количество строк в Z0 превышает Mdl.Q, то filter использует последнее необходимое количество наблюдений только.

Последний элемент или строка содержат последнее наблюдение.

По умолчанию filter устанавливает любые необходимые преддемонстрационные воздействия на независимую последовательность стандартизированных воздействий, чертивших от Mdl.Distribution.

Типы данных: double

Положительные преддемонстрационные условные пути к отклонению, заданные как числовой вектор или матрица. V0 обеспечивает начальные значения для условных отклонений в модели.

  • Если V0 является вектор-столбцом, то filter применяет его к каждому выводу path.

  • Если V0 является матрицей, то он должен иметь, по крайней мере, столько же столбцов сколько Z. Если V0 имеет больше столбцов, чем Z, то filter использует первые столбцы size(Z,2) только.

V0 должен иметь, по крайней мере, строки max(Mdl.P,Mdl.Q), чтобы инициализировать уравнение отклонения. Если количество строк в V0 превышает необходимый номер, то filter использует последнее необходимое количество наблюдений только.

Последний элемент или строка содержат последнее наблюдение.

По умолчанию filter устанавливает любые необходимые преддемонстрационные условные отклонения на безусловное отклонение процесса.

Типы данных: double

Примечания

  • NaN s указывает на отсутствующие значения. filter удаляет отсутствующие значения. Программное обеспечение объединяет преддемонстрационные данные (Z0 и V0) отдельно от воздействий (Z), и затем использует мудрое списком удаление, чтобы удалить строки, содержащие по крайней мере один NaN. Удаление NaN s в данных уменьшает объем выборки. Удаление NaN s может также создать неправильные временные ряды.

  • filter принимает, что вы синхронизируете преддемонстрационные данные, таким образом, что последнее наблюдение за каждым преддемонстрационным рядом происходит одновременно.

Выходные аргументы

свернуть все

Условные пути к отклонению, возвращенные как вектор-столбец или матрица. V представляет условные отклонения среднего нуля, heteroscedastic инновации, сопоставленные с Y.

Размерности V и Z эквивалентны. Если Z является матрицей, то столбцы V являются отфильтрованными условными путями к отклонению, соответствующими столбцам Z.

Строки V являются периодами, соответствующими периодичности Z.

Пути к ответу, возвращенные как числовой вектор-столбец или матрица. Y обычно представляет средний нуль, heteroscedastic временные ряды инноваций с условными отклонениями, данными в V.

Y может также представлять временные ряды среднего нуля, heteroscedastic инновации плюс смещение. Если Mdl включает смещение, то filter добавляет смещение в базовый средний нуль, heteroscedastic инновации. Поэтому Y представляет временные ряды настроенных смещением инноваций.

Если Z является матрицей, то столбцы Y являются отфильтрованными путями к ответу, соответствующими столбцам Z.

Строки Y являются периодами, соответствующими периодичности Z.

Альтернативы

filter обобщает simulate. Обе функции фильтруют серию воздействий, чтобы произвести выходные ответы и условные отклонения. Однако simulate автоматически генерирует серию среднего нуля, модульного отклонения, независимых и тождественно распределенных (iid) воздействий согласно распределению в условном объекте модели отклонения, Mdl. Напротив, filter позволяет вам непосредственно задать свои собственные воздействия.

Ссылки

[1] Боллерслев, T. “Обобщенный Авторегрессивный Условный Heteroskedasticity”. Журнал Эконометрики. Издание 31, 1986, стр 307–327.

[2] Боллерслев, T. “Условно Модель Временных рядов Heteroskedastic за Спекулятивные Цены и Нормы прибыли”. Анализ Экономики и Статистики. Издание 69, 1987, стр 542–547.

[3] Поле, G. E. P. Г. М. Дженкинс и Г. К. Рейнсель. Анализ timeseries: Прогнозирование и Управление. 3-й редактор Englewood Cliffs, NJ: Prentice Hall, 1994.

[4] Enders, W. Прикладные эконометрические временные ряды. Хобокен, NJ: John Wiley & Sons, 1995.

[5] Энгл, R. F. “Авторегрессивный Условный Heteroskedasticity с Оценками Отклонения Инфляции Соединенного Королевства”. Econometrica. Издание 50, 1982, стр 987–1007.

[6] Гамильтон, J. D. Анализ timeseries. Принстон, NJ: Издательство Принстонского университета, 1994.

Смотрите также

Объекты

Функции

Темы

Представленный в R2012a

Документация Econometrics Toolbox
Поддержка