В этом примере показано, как смотреть ряд квадрата остатка для автокорреляции путем графического вывода демонстрационной автокорреляционной функции (ACF) и частичная автокорреляционная функция (PACF). Затем проведите Q-тест Ljung-поля, чтобы более официально оценить автокорреляцию.
Загрузите данные.
Загрузите данные NASDAQ, включенные с тулбоксом. Преобразуйте ряд сводного индекса дневного закрытия в процент, возвращают ряд.
load Data_EquityIdx; y = DataTable.NASDAQ; r = 100*price2ret(y); T = length(r); figure plot(r) xlim([0,T]) title('NASDAQ Daily Returns')
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.
Возвраты имеют относительно высокую частоту. Поэтому ежедневные изменения могут быть малыми. Для числовой устойчивости это - хорошая практика, чтобы масштабировать такие данные.
Постройте демонстрационный ACF и PACF.
Постройте демонстрационный ACF и PACF для ряда квадрата остатка.
e = r - mean(r); figure subplot(2,1,1) autocorr(e.^2) subplot(2,1,2) parcorr(e.^2)
Демонстрационный ACF и PACF показывают значительную автокорреляцию в ряду квадрата остатка. Это указывает, что кластеризация энергозависимости присутствует в остаточном ряду.
Проведите Q-тест Ljung-поля.
Проведите Q-тест Ljung-поля на ряде квадрата остатка в задержках 5 и 10.
[h,p] = lbqtest(e.^2,'Lags',[5,10])
h = 1x2 logical array
1 1
p = 1×2
0 0
Нулевая гипотеза отклоняется для двух тестов (h = 1
). P значениями для обоих тестов является 0
. Таким образом не все автокорреляции, чтобы отстать 5 (или 10) являются нулем, указывая на энергозависимость, кластеризирующуюся в остаточном ряду.
В этом примере показано, как провести тест ДУГИ Энгла для условного выражения heteroscedasticity.
Загрузите данные.
Загрузите данные NASDAQ, включенные с тулбоксом. Преобразуйте ряд сводного индекса дневного закрытия в процент, возвращают ряд.
load Data_EquityIdx; y = DataTable.NASDAQ; r = 100*price2ret(y); T = length(r); figure plot(r) xlim([0,T]) title('NASDAQ Daily Returns')
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.
Возвраты имеют относительно высокую частоту. Поэтому ежедневные изменения могут быть малыми. Для числовой устойчивости это - хорошая практика, чтобы масштабировать такие данные.
Проведите тест ДУГИ Энгла.
Проведите тест ДУГИ Энгла для условного выражения heteroscedasticity на остаточном ряде, с помощью двух задержек в альтернативной гипотезе.
e = r - mean(r);
[h,p,fStat,crit] = archtest(e,'Lags',2)
h = logical
1
p = 0
fStat = 399.9693
crit = 5.9915
Нулевая гипотеза обоснованно отклоняется (h = 1
, p = 0
) в пользу ДУГИ (2) альтернатива. Статистической величиной F для теста является 399.97
, намного больше, чем критическое значение от распределение с двумя степенями свободы, 5.99
.
Тест приходит к заключению, что существует значительная энергозависимость, кластеризирующаяся в остаточном ряду.
archtest
| autocorr
| lbqtest
| parcorr