В этом примере показано, как оценить составное условное среднее значение и модель отклонения использование estimate
.
Загрузите данные NASDAQ, включенные с тулбоксом. Преобразуйте ряд сводного индекса дневного закрытия в ряд возврата. Для числовой устойчивости преобразуйте возвраты в процент, возвращается. Задайте AR (1) и GARCH (1,1) составная модель. Это - модель формы
где ,
и независимый политик и тождественно распределил стандартизированный Гауссов процесс.
load Data_EquityIdx nasdaq = DataTable.NASDAQ; r = 100*price2ret(nasdaq); T = length(r); Mdl = arima('ARLags',1,'Variance',garch(1,1))
Mdl = arima with properties: Description: "ARIMA(1,0,0) Model (Gaussian Distribution)" Distribution: Name = "Gaussian" P: 1 D: 0 Q: 0 Constant: NaN AR: {NaN} at lag [1] SAR: {} MA: {} SMA: {} Seasonality: 0 Beta: [1×0] Variance: [GARCH(1,1) Model]
Подбирайте модель, Mdl
, к ряду возврата, r
, использование estimate
. Используйте преддемонстрационные наблюдения что estimate
автоматически генерирует.
EstMdl = estimate(Mdl,r);
ARIMA(1,0,0) Model (Gaussian Distribution): Value StandardError TStatistic PValue ________ _____________ __________ __________ Constant 0.072632 0.018047 4.0245 5.709e-05 AR{1} 0.13816 0.019893 6.945 3.7846e-12 GARCH(1,1) Conditional Variance Model (Gaussian Distribution): Value StandardError TStatistic PValue ________ _____________ __________ __________ Constant 0.022377 0.0033201 6.7399 1.5853e-11 GARCH{1} 0.87312 0.0091019 95.928 0 ARCH{1} 0.11865 0.008717 13.611 3.434e-42
Отображение оценки показывает пять предполагаемых параметров и их соответствующие стандартные погрешности (AR (1), условная средняя модель имеет два параметра и GARCH (1,1), условная модель отклонения имеет три параметра).
Подобранная модель (EstMdl
)
где и
Все t статистические данные больше два, предполагая, что все параметры являются статистически значительными.
Выведите и постройте условные отклонения и стандартизированные остаточные значения. Также выведите значение целевой функции логарифмической правдоподобности.
[res,v,logL] = infer(EstMdl,r); figure subplot(2,1,1) plot(v) xlim([0,T]) title('Conditional Variance') subplot(2,1,2) plot(res./sqrt(v)) xlim([0,T]) title('Standardized Residuals')
Условное увеличение отклонений после наблюдения 2000. Это соответствует увеличенной энергозависимости, замеченной в исходном ряду возврата.
Стандартизированные остаточные значения имеют более большие значения (больше, чем 2 или 3 в абсолютном значении), чем ожидалось при стандартном нормальном распределении. Это предполагает, что t распределение Студента может более подходить для инновационного распределения.
Измените модель так, чтобы она имела t-инновационное распределение Студента. Подбирайте модифицированную модель к NASDAQ, возвращают ряд. Задайте начальное значение для модели отклонения постоянный термин.
MdlT = Mdl; MdlT.Distribution = 't'; EstMdlT = estimate(MdlT,r,'Variance0',{'Constant0',0.001});
ARIMA(1,0,0) Model (t Distribution): Value StandardError TStatistic PValue ________ _____________ __________ __________ Constant 0.093488 0.016694 5.6002 2.1414e-08 AR{1} 0.13911 0.018857 7.3771 1.6172e-13 DoF 7.4775 0.88262 8.472 2.4126e-17 GARCH(1,1) Conditional Variance Model (t Distribution): Value StandardError TStatistic PValue ________ _____________ __________ __________ Constant 0.011246 0.0036305 3.0976 0.0019511 GARCH{1} 0.90766 0.010516 86.315 0 ARCH{1} 0.089897 0.010835 8.2966 1.0711e-16 DoF 7.4775 0.88262 8.472 2.4126e-17
Содействующие оценки изменяются немного, когда t распределение используется в инновациях. Вторая подгонка модели (EstMdlT
) имеет одну дополнительную оценку параметра, t степени свободы распределения. Предполагаемые степени свободы относительно малы (приблизительно 8), указывая на значительное отклонение от нормальности.
Сравните две подгонки модели (Гауссов и t-инновационное распределение) использование Критерия информации о Akaike (AIC) и Байесового информационного критерия (BIC). Во-первых, получите значение целевой функции логарифмической правдоподобности для второй подгонки.
[resT,vT,logLT] = infer(EstMdlT,r); [aic,bic] = aicbic([logL,logLT],[5,6],T)
aic = 1×2
103 ×
9.4929 9.3807
bic = 1×2
103 ×
9.5230 9.4168
Вторая модель имеет шесть параметров по сравнению с пять в первой модели (из-за t степеней свободы распределения). Несмотря на это, оба информационных критерия способствуют модели с t распределением Студента. AIC и значения BIC меньше для t инновационного распределения.
aicbic
| arima
| estimate
| infer