Условная модель временных рядов отклонения GARCH
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.
Mdl = garch
Mdl = garch(P,Q)
Mdl = garch(Name,Value)
возвращает условный объект Mdl
= garchgarch
отклонения нулевой степени.
создает условный объект модели отклонения GARCH (Mdl
= garch(P
,Q
)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.
свойства наборов или аргументы пары "имя-значение" использования дополнительных опций. Заключите каждое имя в кавычки. Например, Mdl
= garch(Name,Value
)'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.
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);
P
Степень полинома GARCHСтепень 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 t – P
.
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
Q
Степень полинома ДУГИСтепень 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 t – Q
.
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
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.
'ARCHLags',[1 4],'ARCH',{NaN NaN}
задает модель GARCH(0,4) и неизвестные, но ненулевые, содействующие матрицы ДУГИ в задержках 1
и 4
.'GARCHLags'
— Задержки полинома GARCH1:P
(значение по умолчанию) | числовой вектор уникальных положительных целых чиселЗадержки полинома GARCH, заданные как пара, разделенная запятой, состоящая из 'GARCHLags'
и числовой вектор уникальных положительных целых чисел.
является задержкой, соответствующей коэффициенту GARCHLags(j)
. Длины GARCH{j}
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
'ARCHLags'
— Задержки полинома ДУГИ 1:Q
(значение по умолчанию) | числовой вектор уникальных положительных целых чиселЗадержки полинома ДУГИ, заданные как пара, разделенная запятой, состоящая из 'ARCHLags'
и числовой вектор уникальных положительных целых чисел.
является задержкой, соответствующей коэффициенту ARCHLags(j)
. Длины ARCH{j}
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
'Distribution'
— Распределение условной вероятности инновационного процесса'Gaussian'
(значение по умолчанию) | 't'
| массив структурРаспределение условной вероятности инновационного процесса, заданного как пара, разделенная запятой, состоящая из 'Distribution'
и строки или массива структур.
Распределение | Строка | Массив 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
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";
P
Степень полинома GARCHЭто 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
Q
Степень полинома ДУГИЭто 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
Constant
— Условная постоянная модель отклоненияNaN
(значение по умолчанию) | положительная скалярная величинаУсловная модель отклонения, постоянная, заданная как положительная скалярная величина или значение NaN
.
Типы данных: double
GARCH
— Коэффициенты полинома GARCHNaN
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.
является коэффициентом задержки GARCH{j}
.GARCHLags(j)
По умолчанию GARCH
является numel(GARCHLags)
-by-1 вектор ячейки значений NaN
.
В противном случае следующие условия применяются.
Длиной GARCH
является P
.
является коэффициентом задержки GARCH{j}
j
.
По умолчанию GARCH
является P
-by-1 вектор ячейки значений NaN
.
Типы данных: cell
ARCH
— Коэффициенты полинома ДУГИNaN
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.
является коэффициентом задержки ARCH{j}
.ARCHLags(j)
По умолчанию ARCH
является numel(ARCHLags)
-by-1 вектор ячейки значений NaN
.
В противном случае следующие условия применяются.
Длиной ARCH
является Q
.
является коэффициентом задержки ARCH{j}
j
.
По умолчанию ARCH
является Q
-by-1 вектор ячейки значений NaN
.
Типы данных: cell
UnconditionalVariance
— Образцовое безусловное отклонениеЭто свойство доступно только для чтения.
Образцовое безусловное отклонение, заданное как положительная скалярная величина.
Безусловное отклонение
κ является условной моделью отклонения, постоянной (Constant
).
Типы данных: double
Offset
— Инновационное среднее смещение модели0
(значение по умолчанию) | числовой скаляр | NaN
Инновационное среднее смещение модели или аддитивная постоянная, заданная в виде числа или значения NaN
.
Типы данных: double
Distribution
— Распределение условной вероятности инновационного процессаРаспределение 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
Описание
Образцовое описаниеОбразцовое 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
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:
Создает полиномы оператора задержки для каждого из компонентов ARCH
и GARCH
.
Сравнивает каждый коэффициент с неприятием оператора задержки по умолчанию, 1e-12
.
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
.
estimate | Соответствуйте условной модели отклонения к данным |
filter | Пропустите воздействия через условную модель отклонения |
forecast | Предскажите условные отклонения из условных моделей отклонения |
infer | Выведите условные отклонения условных моделей отклонения |
simulate | Симуляция Монте-Карло условных моделей отклонения |
summarize | Отобразите результаты оценки условной модели отклонения |
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,
где
и 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');
GARCH model является динамической моделью, которая обращается к условному выражению heteroscedasticity или кластеризации энергозависимости, в инновационном процессе. Кластеризация энергозависимости происходит, когда инновационный процесс не показывает значительную автокорреляцию, но отклонение изменений процесса со временем.
Модель GARCH устанавливает это, текущее условное отклонение является суммой этих линейных процессов с коэффициентами для каждого термина:
Прошлые условные отклонения (компонент GARCH или полином)
Прошлые инновации в квадрате (компонент ДУГИ или полином)
Постоянные смещения для инновационного среднего значения и условных моделей отклонения
Рассмотрите временные ряды
где GARCH (P, Q) условный процесс отклонения, , имеет форму
В обозначении оператора задержки модель
Таблица показывает, как переменные соответствуют свойствам объекта модели garch
.
Переменная | Описание | Свойство |
---|---|---|
μ | Инновационная средняя модель постоянное смещение | 'Offset' |
κ > 0 | Условная постоянная модель отклонения | 'Constant' |
Коэффициенты компонента GARCH | 'GARCH' | |
Коэффициенты компонента ДУГИ | 'ARCH' | |
zt | Серия независимых случайных переменных со средним значением 0 и отклонением 1 | 'Distribution' |
Для стационарности и положительности, модели GARCH используют эти ограничения:
Исходная модель ARCH (Q) Энгла эквивалентна GARCH (0, Q) спецификация.
Модели GARCH являются соответствующими, когда положительные и отрицательные толчки равным значением способствуют одинаково энергозависимости [1].
Можно задать модель garch
как часть состава условного среднего значения и моделей отклонения. Для получения дополнительной информации смотрите arima
.
[1] Tsay, R. S. Анализ Финансовых Временных рядов. 3-й редактор Хобокен, NJ: John Wiley & Sons, Inc., 2010.
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.