garch

Условная модель временных рядов отклонения GARCH

Описание

Используйте garch, чтобы задать одномерный GARCH (обобщил авторегрессивное условное выражение heteroscedastic), модель. Функция garch возвращает объект garch, задающий функциональную форму GARCH (P, Q) модель, и хранит ее значения параметров.

Ключевые компоненты модели garch включают:

  • Полином GARCH, который состоит из изолированных условных отклонений. Степень обозначается P.

  • Полином ДУГИ, который состоит из изолированных инноваций в квадрате. Степень обозначается Q.

P и Q являются максимальными ненулевыми задержками в GARCH и полиномах ДУГИ, соответственно. Другие компоненты модели включают инновационное среднее смещение модели, условная постоянная модель отклонения, и инновационное распределение.

Все коэффициенты являются неизвестными (значения NaN) и допускающими оценку, если вы не задаете их синтаксис аргумента пары "имя-значение" использования значений. Чтобы оценить модели, содержащие все или частично неизвестные определенные данные значений параметров, используйте estimate. Для абсолютно заданных моделей (модели, в которых известны все значения параметров), моделируйте или предскажите ответы с помощью simulate или forecast, соответственно.

Создание

Синтаксис

Mdl = garch
Mdl = garch(P,Q)
Mdl = garch(Name,Value)

Описание

пример

Mdl = garch возвращает условный объект garch отклонения нулевой степени.

пример

Mdl = garch(P,Q) создает условный объект модели отклонения GARCH (Mdl) с полиномом GARCH со степенью P и полиномом ДУГИ со степенью Q. GARCH и полиномы ДУГИ содержат все последовательные задержки от 1 до их степеней, и все коэффициенты являются значениями NaN.

Этот краткий синтаксис позволяет вам создать шаблон, в области которого вы задаете полиномиальные степени явным образом. Образцовый шаблон подходит для неограниченной оценки параметра, то есть, оценки без любых ограничений равенства параметра. Однако после того, как вы создаете модель, можно изменить значения свойств с помощью записи через точку.

пример

Mdl = garch(Name,Value) свойства наборов или аргументы пары "имя-значение" использования дополнительных опций. Заключите каждое имя в кавычки. Например, 'ARCHLags',[1 4],'ARCH',{0.2 0.3} задает два коэффициента ДУГИ в ARCH в задержках 1 и 4.

Этот рукописный синтаксис позволяет вам создать более гибкие модели.

Входные параметры

развернуть все

Краткий синтаксис обеспечивает простой способ к вам создать образцовые шаблоны, которые подходят для неограниченной оценки параметра. Например, чтобы создать модель GARCH(1,2), содержащую неизвестные значения параметров, введите:

Mdl = garch(1,2);
Чтобы наложить ограничения равенства на значения параметров во время оценки, установите соответствующие значения свойств с помощью записи через точку.

Степень полинома GARCH, заданная как неотрицательное целое число. В полиноме GARCH и во время t, MATLAB® включает все последовательные условные условия отклонения от задержки t – 1 через задержку tP.

Можно задать этот аргумент с помощью краткого синтаксиса (P,Q) garch только.

Если P> 0, то необходимо задать Q как положительное целое число.

Пример: garch(1,1)

Типы данных: double

Степень полинома ДУГИ, заданная как неотрицательное целое число. В полиноме ДУГИ и во время t, MATLAB включает все последовательные инновационные условия в квадрате от задержки t – 1 через задержку tQ.

Можно задать этот аргумент с помощью краткого синтаксиса (P,Q) garch только.

Если P> 0, то необходимо задать Q как положительное целое число.

Пример: garch(1,1)

Типы данных: double

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.

Рукописный синтаксис позволяет вам создать модели, в которых некоторые или все коэффициенты известны. Во время оценки estimate налагает ограничения равенства на любые известные параметры.

Пример: 'ARCHLags',[1 4],'ARCH',{NaN NaN} задает модель GARCH(0,4) и неизвестные, но ненулевые, содействующие матрицы ДУГИ в задержках 1 и 4.

Задержки полинома GARCH, заданные как пара, разделенная запятой, состоящая из 'GARCHLags' и числовой вектор уникальных положительных целых чисел.

GARCHLags(j) является задержкой, соответствующей коэффициенту GARCH{j}. Длины GARCHLags и GARCH должны быть равными.

Принятие всех коэффициентов GARCH (заданный свойством GARCH) положительно или значения NaN, max(GARCHLags) определяет значение свойства P.

Пример: 'GARCHLags',[1 4]

Типы данных: double

Задержки полинома ДУГИ, заданные как пара, разделенная запятой, состоящая из 'ARCHLags' и числовой вектор уникальных положительных целых чисел.

ARCHLags(j) является задержкой, соответствующей коэффициенту ARCH{j}. Длины ARCHLags и ARCH должны быть равными.

Принятие всех коэффициентов ДУГИ (заданный свойством ARCH) положительно или значения NaN, max(ARCHLags) определяет значение свойства Q.

Пример: 'ARCHLags',[1 4]

Типы данных: double

Распределение условной вероятности инновационного процесса, заданного как пара, разделенная запятой, состоящая из 'Distribution' и строки или массива структур.

РаспределениеСтрокаМассив структур
Гауссов"Gaussian"struct('Name','Gaussian')
t студента"t"struct('Name','t','DoF',DoF)

Поле 'DoF' задает параметр степеней свободы распределения t.

  • DoF> 2 или DoF = NaN.

  • DoF является допускающим оценку. Если вы хотите, чтобы estimate оценил этот параметр наряду со всеми другими неизвестными параметрами, то его значением должен быть NaN.

  • Если вы задаете "t" для Distribution, то DoF является NaN. Можно изменить его значение при помощи записи через точку после того, как вы создадите модель. Например, Mdl.Distribution.DoF = 3.

  • Если вы предоставляете массив структур для Distribution, чтобы задать распределение t Студента, то необходимо задать обоих поля 'Name' и 'DoF'.

Пример: 'Distribution',struct('Name',"t",'DoF',10)

Типы данных: char | string | struct

Свойства

развернуть все

Можно установить перезаписываемые значения свойств, когда вы создаете объект модели при помощи синтаксиса аргумента пары "имя-значение", или после того, как вы создаете объект модели при помощи записи через точку. Например, чтобы создать модель GARCH(1,1) с неизвестными коэффициентами, и затем задать инновационное распределение t с неизвестными степенями свободы, введите:

Mdl = garch('GARCHLags',1,'ARCHLags',1);
Mdl.Distribution = "t";

Это свойство доступно только для чтения.

Степень полинома GARCH, заданная как неотрицательное целое число. P является максимальной задержкой в полиноме GARCH с коэффициентом, который положителен или NaN. Задержки, которые являются меньше, чем P, могут иметь коэффициенты, равные 0.

P задает минимальное количество преддемонстрационных условных отклонений, требуемых инициализировать модель.

Если вы используете аргументы пары "имя-значение", чтобы создать модель, то MATLAB реализует одну из этих альтернатив (принимающий, что коэффициент самой большой задержки положителен или NaN):

  • Если вы задаете GARCHLags, то P является самой большой заданной задержкой.

  • Если вы задаете GARCH, то P является числом элементов заданного значения. Если вы также задаете GARCHLags, то garch использует GARCHLags, чтобы определить P вместо этого.

  • В противном случае P является 0.

Типы данных: double

Это свойство доступно только для чтения.

Степень полинома ДУГИ, заданная как неотрицательное целое число. Q является максимальной задержкой в полиноме ДУГИ с коэффициентом, который положителен или NaN. Задержки, которые являются меньше, чем Q, могут иметь коэффициенты, равные 0.

Q задает минимальное количество преддемонстрационных инноваций, требуемых инициировать модель.

Если вы используете аргументы пары "имя-значение", чтобы создать модель, то MATLAB реализует одну из этих альтернатив (принимающий, что коэффициент самой большой задержки положителен или NaN):

  • Если вы задаете ARCHLags, то Q является самой большой заданной задержкой.

  • Если вы задаете ARCH, то Q является числом элементов заданного значения. Если вы также задаете ARCHLags, то garch использует свое значение, чтобы определить Q вместо этого.

  • В противном случае Q является 0.

Типы данных: double

Условная модель отклонения, постоянная, заданная как положительная скалярная величина или значение NaN.

Типы данных: double

Коэффициенты полинома GARCH, заданные как вектор ячейки положительных скалярных величин или значений NaN.

  • Если вы задаете GARCHLags, то следующие условия применяются.

    • Длины GARCH и GARCHLags равны.

    • GARCH{j} является коэффициентом задержки GARCHLags(j).

    • По умолчанию GARCH является numel(GARCHLags)-by-1 вектор ячейки значений NaN.

  • В противном случае следующие условия применяются.

    • Длиной GARCH является P.

    • GARCH{j} является коэффициентом задержки j.

    • По умолчанию GARCH является P-by-1 вектор ячейки значений NaN.

Типы данных: cell

Коэффициенты полинома ДУГИ, заданные как вектор ячейки положительных скалярных величин или значений NaN.

  • Если вы задаете ARCHLags, то следующие условия применяются.

    • Длины ARCH и ARCHLags равны.

    • ARCH{j} является коэффициентом задержки ARCHLags(j).

    • По умолчанию ARCH является numel(ARCHLags)-by-1 вектор ячейки значений NaN.

  • В противном случае следующие условия применяются.

    • Длиной ARCH является Q.

    • ARCH{j} является коэффициентом задержки j.

    • По умолчанию ARCH является Q-by-1 вектор ячейки значений NaN.

Типы данных: cell

Это свойство доступно только для чтения.

Образцовое безусловное отклонение, заданное как положительная скалярная величина.

Безусловное отклонение

σε2=κ(1i=1Pγij=1Qαj).

κ является условной моделью отклонения, постоянной (Constant).

Типы данных: double

Инновационное среднее смещение модели или аддитивная постоянная, заданная в виде числа или значения NaN.

Типы данных: double

Распределение условной вероятности инновационного процесса, заданного как массив структур.

Поле Name хранит имя распределения, или "Gaussian" для Распределения Гаусса или "t" для распределения t.

Если Name является "t", то Distribution также содержит поле DoF, которое хранит t - степени свободы распределения.

По умолчанию Distribution является struct('Name',"Gaussian"). Когда вы создаете объект, если вы указываете, что базовый инновационный процесс имеет распределение t при помощи аргумента пары "имя-значение" Distribution, затем полем DoF является NaN по умолчанию.

Типы данных: struct

Образцовое описание, заданное как скаляр строки или вектор символов. По умолчанию это свойство описывает параметрическую форму модели, например, "GARCH(1,1) Conditional Variance Model (Gaussian Distribution)".

Пример: 'Description','Model 1'

Типы данных: string | char

Примечание

  • Весь NaN - оцененные параметры модели, которые включают коэффициенты и t - степени свободы инновационного распределения (если есть), являются допускающими оценку. Когда вы передаете получившийся объект garch и данные к estimate, MATLAB оценивает весь NaN - оцененные параметры. Во время оценки estimate обрабатывает известные параметры как ограничения равенства, то есть, estimate содержит любые известные параметры, зафиксированные в их значениях.

  • Весь GARCH и коэффициенты ARCH подвергаются тесту исключения почти неприятия. Таким образом, программное обеспечение:

    1. Создает полиномы оператора задержки для каждого из компонентов ARCH и GARCH.

    2. Сравнивает каждый коэффициент с неприятием оператора задержки по умолчанию, 1e-12.

    3. Включает коэффициент в модель, если ее значение больше, чем 1e-12 и исключает коэффициент в противном случае. Другими словами, программное обеспечение полагает, что исключенные коэффициенты достаточно близко к нулю.

    Для получения дополнительной информации смотрите LagOp.

Функции объекта

estimateСоответствуйте условной модели отклонения к данным
filterПропустите воздействия через условную модель отклонения
forecastПредскажите условные отклонения из условных моделей отклонения
inferВыведите условные отклонения условных моделей отклонения
simulateСимуляция Монте-Карло условных моделей отклонения
summarizeОтобразите результаты оценки условной модели отклонения

Примеры

свернуть все

Создайте объект модели garch по умолчанию и задайте его значения параметров с помощью записи через точку.

Создайте модель GARCH(0,0).

Mdl = garch
Mdl = 
  garch with properties:

     Description: "GARCH(0,0) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 0
               Q: 0
        Constant: NaN
           GARCH: {}
            ARCH: {}
          Offset: 0

Mdl является моделью garch. Это содержит неизвестную константу, ее смещением является 0, и инновационным распределением является 'Gaussian'. Модель не имеет полином ДУГИ или GARCH.

Задайте два неизвестных коэффициента ДУГИ для задержек одна и две записи через точку использования.

Mdl.ARCH = {NaN NaN}
Mdl = 
  garch with properties:

     Description: "GARCH(0,2) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 0
               Q: 2
        Constant: NaN
           GARCH: {}
            ARCH: {NaN NaN} at lags [1 2]
          Offset: 0

Свойства Q и ARCH обновляются к 2 и {NaN NaN}. Два коэффициента ДУГИ сопоставлены с задержками 1 и 2.

Создайте модель garch с помощью краткого обозначения garch(P,Q), где P является степенью полинома GARCH, и Q является степенью полинома ДУГИ.

Создайте модель GARCH(3,2).

Mdl = garch(3,2)
Mdl = 
  garch with properties:

     Description: "GARCH(3,2) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 3
               Q: 2
        Constant: NaN
           GARCH: {NaN NaN NaN} at lags [1 2 3]
            ARCH: {NaN NaN} at lags [1 2]
          Offset: 0

Mdl является объектом модели garch. Все свойства Mdl, кроме P, Q, и Distribution, являются значениями NaN. По умолчанию, программное обеспечение:

  • Включает условную постоянную модель отклонения

  • Исключает условное среднее образцовое смещение (т.е. смещением является 0),

  • Включает все условия задержки в ДУГУ и полиномы оператора задержки GARCH до задержек Q и P, соответственно

Mdl задает только функциональную форму модели GARCH. Поскольку это содержит неизвестные значения параметров, можно передать Mdl и данные timeseries к estimate, чтобы оценить параметры.

Создайте использование модели garch аргументы пары "имя-значение".

Задайте модель GARCH(1,1). По умолчанию условное среднее образцовое смещение является нулем. Укажите, что смещением является NaN.

Mdl = garch('GARCHLags',1,'ARCHLags',1,'Offset',NaN)
Mdl = 
  garch with properties:

     Description: "GARCH(1,1) Conditional Variance Model with Offset (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: NaN
           GARCH: {NaN} at lag [1]
            ARCH: {NaN} at lag [1]
          Offset: NaN

Mdl является объектом модели garch. Программное обеспечение устанавливает все параметры (свойства объекта модели) к NaN, кроме P, Q и Distribution.

Поскольку Mdl содержит значения NaN, Mdl только подходит для оценки только. Передайте Mdl и данные timeseries к estimate.

Создайте модель GARCH(1,1) со средним смещением,

yt=0.5+εt,

где εt=σtzt,

σt2=0.0001+0.75σt-12+0.1εt-12,

и zt независимый политик и тождественно распределил стандартный Гауссов процесс.

Mdl = garch('Constant',0.0001,'GARCH',0.75,...
    'ARCH',0.1,'Offset',0.5)
Mdl = 
  garch with properties:

     Description: "GARCH(1,1) Conditional Variance Model with Offset (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: 0.0001
           GARCH: {0.75} at lag [1]
            ARCH: {0.1} at lag [1]
          Offset: 0.5

garch присваивает значения по умолчанию любым свойствам, которые вы не задаете с аргументами пары "имя-значение".

Доступ к свойствам объекта модели garch с помощью записи через точку.

Создайте объект модели garch.

Mdl = garch(3,2)
Mdl = 
  garch with properties:

     Description: "GARCH(3,2) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 3
               Q: 2
        Constant: NaN
           GARCH: {NaN NaN NaN} at lags [1 2 3]
            ARCH: {NaN NaN} at lags [1 2]
          Offset: 0

Удалите второй срок GARCH из модели. Таким образом, укажите, что коэффициентом GARCH второго изолированного условного отклонения является 0.

Mdl.GARCH{2} = 0
Mdl = 
  garch with properties:

     Description: "GARCH(3,2) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 3
               Q: 2
        Constant: NaN
           GARCH: {NaN NaN} at lags [1 3]
            ARCH: {NaN NaN} at lags [1 2]
          Offset: 0

Полином GARCH имеет два неизвестных параметра, соответствующие задержкам 1 и 3.

Отобразите распределение воздействий.

Mdl.Distribution
ans = struct with fields:
    Name: "Gaussian"

Воздействия являются Гауссовыми со средним значением 0 и отклонением 1.

Укажите, что базовые воздействия I.I.D. имеют t распределение с пятью степенями свободы.

Mdl.Distribution = struct('Name','t','DoF',5)
Mdl = 
  garch with properties:

     Description: "GARCH(3,2) Conditional Variance Model (t Distribution)"
    Distribution: Name = "t", DoF = 5
               P: 3
               Q: 2
        Constant: NaN
           GARCH: {NaN NaN} at lags [1 3]
            ARCH: {NaN NaN} at lags [1 2]
          Offset: 0

Укажите, что коэффициенты ДУГИ 0.2 для первой задержки и 0.1 для второй задержки.

Mdl.ARCH = {0.2 0.1}
Mdl = 
  garch with properties:

     Description: "GARCH(3,2) Conditional Variance Model (t Distribution)"
    Distribution: Name = "t", DoF = 5
               P: 3
               Q: 2
        Constant: NaN
           GARCH: {NaN NaN} at lags [1 3]
            ARCH: {0.2 0.1} at lags [1 2]
          Offset: 0

Чтобы оценить остающиеся параметры, можно передать Mdl и данные к estimate и использовать заданные параметры в качестве ограничений равенства. Или, можно задать остальную часть значений параметров, и затем моделировать или предсказать условные отклонения из модели GARCH путем передачи полностью заданной модели simulate или forecast, соответственно.

Соответствуйте модель GARCH к ежегодным временным рядам датской номинальной биржи возвращается от 1922-1999.

Загрузите набор данных Data_Danish. График номинал возвращается (nr).

load Data_Danish;
nr = DataTable.RN;

figure;
plot(dates,nr);
hold on;
plot([dates(1) dates(end)],[0 0],'r:'); % Plot y = 0
hold off;
title('Danish Nominal Stock Returns');
ylabel('Nominal return (%)');
xlabel('Year');

Номинальный ряд возврата, кажется, имеет ненулевое условное среднее смещение и, кажется, показывает кластеризацию энергозависимости. Таким образом, изменчивость меньше в течение более ранних лет, чем это в течение более поздних лет. В данном примере примите, что модель GARCH(1,1) подходит для этого ряда.

Создайте модель GARCH(1,1). Условное среднее смещение является нулем по умолчанию. Чтобы оценить смещение, укажите, что это - NaN.

Mdl = garch('GARCHLags',1,'ARCHLags',1,'Offset',NaN);

Соответствуйте модели GARCH(1,1) к данным.

EstMdl = estimate(Mdl,nr);
 
    GARCH(1,1) Conditional Variance Model with Offset (Gaussian Distribution):
 
                  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 является полностью заданным объектом модели garch. Таким образом, это не содержит значения NaN. Можно оценить соответствие модели путем генерации невязок с помощью infer, и затем анализируя их.

Чтобы моделировать условные отклонения или ответы, передайте EstMdl simulate.

Чтобы предсказать инновации, передайте EstMdl forecast.

Моделируйте условное отклонение или пути к ответу от полностью заданного объекта модели garch. Таким образом, моделируйте из предполагаемой модели garch или известной модели garch, в которой вы задаете все значения параметров.

Загрузите набор данных Data_Danish.

load Data_Danish;
nr = DataTable.RN;

Создайте модель GARCH(1,1) с неизвестным условным средним смещением. Соответствуйте модели к ежегодному номинальному ряду возврата.

Mdl = garch('GARCHLags',1,'ARCHLags',1,'Offset',NaN);
EstMdl = estimate(Mdl,nr);
 
    GARCH(1,1) Conditional Variance Model with Offset (Gaussian Distribution):
 
                  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

Моделируйте 100 путей условных отклонений и ответов в течение каждого периода из предполагаемой модели GARCH.

numObs = numel(nr); % Sample size (T)
numPaths = 100;     % Number of paths to simulate
rng(1);             % For reproducibility
[VSim,YSim] = simulate(EstMdl,numObs,'NumPaths',numPaths);

VSim и YSim является T numPaths матрицами. Строки соответствуют демонстрационному периоду, и столбцы соответствуют моделируемому пути.

Постройте среднее значение и процентили на 2,5% и на 97,5% моделируемых путей. Сравните статистику симуляции с исходными данными.

VSimBar = mean(VSim,2);
VSimCI = quantile(VSim,[0.025 0.975],2);
YSimBar = mean(YSim,2);
YSimCI = quantile(YSim,[0.025 0.975],2);

figure;
subplot(2,1,1);
h1 = plot(dates,VSim,'Color',0.8*ones(1,3));
hold on;
h2 = plot(dates,VSimBar,'k--','LineWidth',2);
h3 = plot(dates,VSimCI,'r--','LineWidth',2);
hold off;
title('Simulated Conditional Variances');
ylabel('Cond. var.');
xlabel('Year');

subplot(2,1,2);
h1 = plot(dates,YSim,'Color',0.8*ones(1,3));
hold on;
h2 = plot(dates,YSimBar,'k--','LineWidth',2);
h3 = plot(dates,YSimCI,'r--','LineWidth',2);
hold off;
title('Simulated Nominal Returns');
ylabel('Nominal return (%)');
xlabel('Year');
legend([h1(1) h2 h3(1)],{'Simulated path' 'Mean' 'Confidence bounds'},...
    'FontSize',7,'Location','NorthWest');

Предскажите условные отклонения от полностью заданного объекта модели garch. Таким образом, предсказанный из предполагаемой модели garch или известной модели garch, в которой вы задаете все значения параметров. Пример следует из Оценки Модель GARCH.

Загрузите набор данных Data_Danish.

load Data_Danish;
nr = DataTable.RN;

Создайте модель GARCH(1,1) с неизвестным условным средним смещением и соответствуйте модели к ежегодному, номинальному ряду возврата.

Mdl = garch('GARCHLags',1,'ARCHLags',1,'Offset',NaN);
EstMdl = estimate(Mdl,nr);
 
    GARCH(1,1) Conditional Variance Model with Offset (Gaussian Distribution):
 
                  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

Предскажите условное отклонение номинальных лет серии 10 возврата в будущее с помощью предполагаемой модели GARCH. Задайте целый ряд возвратов как преддемонстрационные наблюдения. Программное обеспечение выводит преддемонстрационные условные отклонения с помощью преддемонстрационных наблюдений и модели.

numPeriods = 10;
vF = forecast(EstMdl,numPeriods,nr);

График предсказанные условные отклонения номинала возвращается. Сравните прогнозы с наблюдаемыми условными отклонениями.

v = infer(EstMdl,nr);

figure;
plot(dates,v,'k:','LineWidth',2);
hold on;
plot(dates(end):dates(end) + 10,[v(end);vF],'r','LineWidth',2);
title('Forecasted Conditional Variances of Nominal Returns');
ylabel('Conditional variances');
xlabel('Year');
legend({'Estimation sample cond. var.','Forecasted cond. var.'},...
    'Location','Best');

Больше о

развернуть все

Советы

Можно задать модель garch как часть состава условного среднего значения и моделей отклонения. Для получения дополнительной информации смотрите arima.

Ссылки

[1] Tsay, R. S. Анализ Финансовых Временных рядов. 3-й редактор Хобокен, NJ: John Wiley & Sons, Inc., 2010.

Представленный в R2012a

Для просмотра документации необходимо авторизоваться на сайте