estimate

Подбирайте условную модель отклонения к данным

Синтаксис

EstMdl = estimate(Mdl,y)

EstMdl = estimate(Mdl,y,Name,Value)

[EstMdl,EstParamCov,logL,info]
= estimate(___)

Описание

пример

EstMdl = estimate(Mdl,y) оценивает неизвестные параметры условного объекта модели отклонения Mdl с наблюдаемыми одномерными временными рядами y, использование наибольшего правдоподобия. EstMdl полностью заданный условный объект модели отклонения, который хранит результаты. Это - тот же тип модели как Mdl (см. garch, egarch, и gjr).

пример

EstMdl = estimate(Mdl,y,Name,Value) оценивает условную модель отклонения с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы. Например, можно задать, чтобы отобразить итеративную информацию об оптимизации или преддемонстрационные инновации.

пример

[EstMdl,EstParamCov,logL,info] = estimate(___) дополнительно возвращается:

EstParamCov, ковариационная матрица отклонения сопоставлена предполагаемыми параметрами.
logL, оптимизированная целевая функция логарифмической правдоподобности.
info, структура данных итоговой информации с помощью любого из входных параметров в предыдущих синтаксисах.

Примеры

свернуть все

Оцените параметры модели GARCH без начальных значений

Скрипт Open Live Script

Подбирайте модель GARCH(1,1) к симулированным данным.

Симулируйте 500 точек данных из модели GARCH(1,1)

$y_{t} = ε_{t},$

где $ε_{t} = σ_{t} z_{t}$ и

$σ_{t}^{2} = 0.0001 + 0.5 σ_{t - 1}^{2} + 0.2 ε_{t - 1}^{2} .$

Используйте Гауссово инновационное распределение по умолчанию для $z_{t}$ .

Mdl0 = garch('Constant',0.0001,'GARCH',0.5,...
    'ARCH',0.2);
rng default; % For reproducibility
[v,y] = simulate(Mdl0,500);

Выход v содержит симулированные условные отклонения. y вектор-столбец симулированных откликов (инновации).

Задайте модель GARCH(1,1) с неизвестными коэффициентами и соответствуйте ей к серии y.

Mdl = garch(1,1);
EstMdl = estimate(Mdl,y)

 
    GARCH(1,1) Conditional Variance Model (Gaussian Distribution):
 
                  Value       StandardError    TStatistic      PValue  
                __________    _____________    __________    __________

    Constant    9.8911e-05     3.0726e-05        3.2191        0.001286
    GARCH{1}       0.45394        0.11193        4.0557      4.9987e-05
    ARCH{1}        0.26374       0.056931        4.6326      3.6111e-06

EstMdl = 
  garch with properties:

     Description: "GARCH(1,1) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: 9.89108e-05
           GARCH: {0.453935} at lag [1]
            ARCH: {0.263739} at lag [1]
          Offset: 0

Результатом является новый garch модель под названием EstMdl. Параметр оценивает в EstMdl напомните значения параметров, которые сгенерировали симулированные данные.

Оцените параметры модели EGARCH без начальных значений

Скрипт Open Live Script

Подбирайте модель EGARCH(1,1) к симулированным данным.

Симулируйте 500 точек данных из модели EGARCH(1,1)

$y_{t} = ε_{t},$

где $ε_{t} = σ_{t} z_{t},$ и

$\log σ_{t}^{2} = 0.001 + 0.7 \log σ_{t - 1}^{2} + 0.5 [\frac{| ε_{t - 1} |}{σ_{t - 1}} - \sqrt{\frac{2}{π}}] - 0.3 (\frac{ε_{t - 1}}{σ_{t - 1}})$

(распределение $z_{t}$ является Гауссовым).

Mdl0 = egarch('Constant',0.001,'GARCH',0.7,...
               'ARCH',0.5,'Leverage',-0.3);

rng default % For reproducibility 
[v,y] = simulate(Mdl0,500);

Выход v содержит симулированные условные отклонения. y вектор-столбец симулированных откликов (инновации).

Задайте модель EGARCH(1,1) с неизвестными коэффициентами и соответствуйте ей к серии y.

Mdl = egarch(1,1);
EstMdl = estimate(Mdl,y)

 
    EGARCH(1,1) Conditional Variance Model (Gaussian Distribution):
 
                      Value       StandardError    TStatistic      PValue  
                   ___________    _____________    __________    __________

    Constant       -0.00063867      0.031698       -0.020149        0.98392
    GARCH{1}           0.70506      0.067359          10.467     1.2221e-25
    ARCH{1}            0.56774      0.074746          7.5956      3.063e-14
    Leverage{1}       -0.32116      0.053345         -6.0204     1.7399e-09

EstMdl = 
  egarch with properties:

     Description: "EGARCH(1,1) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: -0.000638668
           GARCH: {0.705065} at lag [1]
            ARCH: {0.567741} at lag [1]
        Leverage: {-0.321158} at lag [1]
          Offset: 0

Результатом является новый egarch модель под названием EstMdl. Параметр оценивает в EstMdl напомните значения параметров, которые сгенерировали симулированные данные.

Оцените параметры модели GJR без начальных значений

Скрипт Open Live Script

Подбирайте модель GJR(1,1) к симулированным данным.

Симулируйте 500 точек данных из модели GJR(1,1).

$y_{t} = ε_{t},$

где $ε_{t} = σ_{t} z_{t}$ и

$σ_{t}^{2} = 0.001 + 0.5 σ_{t - 1}^{2} + 0.2 ε_{t - 1}^{2} + 0.2 I [ε_{t - 1} < 0] ε_{t - 1}^{2} .$

Используйте Гауссово инновационное распределение по умолчанию для $z_{t}$ .

Mdl0 = gjr('Constant',0.001,'GARCH',0.5,...
    'ARCH',0.2,'Leverage',0.2);

rng default; % For reproducibility
[v,y] = simulate(Mdl0,500);

Выход v содержит симулированные условные отклонения. y вектор-столбец симулированных откликов (инновации).

Задайте модель GJR(1,1) с неизвестными коэффициентами и соответствуйте ей к серии y.

Mdl = gjr(1,1);
EstMdl = estimate(Mdl,y)

 
    GJR(1,1) Conditional Variance Model (Gaussian Distribution):
 
                     Value       StandardError    TStatistic      PValue  
                   __________    _____________    __________    __________

    Constant       0.00097382     0.00025135        3.8743      0.00010694
    GARCH{1}          0.46056       0.071793        6.4151      1.4077e-10
    ARCH{1}           0.24126       0.063409        3.8047      0.00014196
    Leverage{1}       0.25051        0.11265        2.2237         0.02617

EstMdl = 
  gjr with properties:

     Description: "GJR(1,1) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: 0.000973819
           GARCH: {0.460555} at lag [1]
            ARCH: {0.241256} at lag [1]
        Leverage: {0.250507} at lag [1]
          Offset: 0

Результатом является новый gjr модель под названием EstMdl. Параметр оценивает в EstMdl напомните значения параметров, которые сгенерировали симулированные данные.

Оцените параметры модели GARCH Используя преддемонстрационные данные

Скрипт Open Live Script

Подбирайте модель GARCH(1,1) к дневному закрытию, которое возвращает Сводный индекс NASDAQ.

Загрузите данные NASDAQ, включенные с тулбоксом. Преобразуйте индекс в возвраты.

load Data_EquityIdx
nasdaq = DataTable.NASDAQ;
y = price2ret(nasdaq);
T = length(y);

figure
plot(y)
xlim([0,T])
title('NASDAQ Returns')

Возвраты показывают кластеризацию энергозависимости.

Задайте модель GARCH(1,1) и соответствуйте ей к ряду. Преддемонстрационные инновации требуются, чтобы инициализировать эту модель. Используйте первое наблюдение за y как необходимые преддемонстрационные инновации.

Mdl = garch(1,1);
[EstMdl,EstParamCov] = estimate(Mdl,y(2:end),'E0',y(1))

 
    GARCH(1,1) Conditional Variance Model (Gaussian Distribution):
 
                  Value       StandardError    TStatistic      PValue  
                __________    _____________    __________    __________

    Constant    1.9987e-06     5.4228e-07        3.6857      0.00022807
    GARCH{1}       0.88356      0.0084341        104.76               0
    ARCH{1}        0.10903      0.0076471        14.257      4.0408e-46

EstMdl = 
  garch with properties:

     Description: "GARCH(1,1) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: 1.99867e-06
           GARCH: {0.883563} at lag [1]
            ARCH: {0.109027} at lag [1]
          Offset: 0

EstParamCov = 3×3
10^-4 ×

    0.0000   -0.0000    0.0000
   -0.0000    0.7113   -0.5343
    0.0000   -0.5343    0.5848

Выход EstMdl новый garch модель предполагаемыми параметрами.

Используйте выходную ковариационную матрицу отклонения, чтобы вычислить оценочные стандартные погрешности.

se = sqrt(diag(EstParamCov))

Это стандартные погрешности, показанные по оценке выходное отображение. Они соответствуют (в порядке) к постоянному, коэффициенту GARCH и коэффициенту ДУГИ.

Оцените параметры модели EGARCH Используя преддемонстрационные данные

Скрипт Open Live Script

Подбирайте модель EGARCH(1,1) к дневному закрытию, которое возвращает Сводный индекс NASDAQ.

Загрузите данные NASDAQ, включенные с тулбоксом. Преобразуйте индекс в возвраты.

load Data_EquityIdx
nasdaq = DataTable.NASDAQ;
y = price2ret(nasdaq);
T = length(y);

figure
plot(y)
xlim([0,T])
title('NASDAQ Returns')

Возвраты показывают кластеризацию энергозависимости.

Задайте модель EGARCH(1,1) и соответствуйте ей к ряду. Преддемонстрационные инновации требуются, чтобы инициализировать эту модель. Используйте первое наблюдение за y как необходимые преддемонстрационные инновации.

Mdl = egarch(1,1);
[EstMdl,EstParamCov] = estimate(Mdl,y(2:end),'E0',y(1))

 
    EGARCH(1,1) Conditional Variance Model (Gaussian Distribution):
 
                     Value      StandardError    TStatistic      PValue  
                   _________    _____________    __________    __________

    Constant        -0.13478       0.022092        -6.101      1.0539e-09
    GARCH{1}         0.98391      0.0024221        406.22               0
    ARCH{1}          0.19965       0.013966        14.296      2.3323e-46
    Leverage{1}    -0.060243      0.0056471       -10.668      1.4355e-26

EstMdl = 
  egarch with properties:

     Description: "EGARCH(1,1) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: -0.134785
           GARCH: {0.983909} at lag [1]
            ARCH: {0.199645} at lag [1]
        Leverage: {-0.0602433} at lag [1]
          Offset: 0

EstParamCov = 4×4
10^-3 ×

    0.4881    0.0533   -0.1018    0.0106
    0.0533    0.0059   -0.0118    0.0017
   -0.1018   -0.0118    0.1950    0.0016
    0.0106    0.0017    0.0016    0.0319

Выход EstMdl новый egarch модель предполагаемыми параметрами.

se = sqrt(diag(EstParamCov))

Это стандартные погрешности, показанные по оценке выходное отображение. Они соответствуют (в порядке) к постоянному, коэффициенту GARCH, коэффициенту ДУГИ, и усиливают коэффициент.

Оцените параметры модели GJR Используя преддемонстрационные данные

Скрипт Open Live Script

Подбирайте модель GJR(1,1) к дневному закрытию, которое возвращает Сводный индекс NASDAQ.

Загрузите данные NASDAQ, включенные с тулбоксом. Преобразуйте индекс в возвраты.

load Data_EquityIdx
nasdaq = DataTable.NASDAQ;
y = price2ret(nasdaq);
T = length(y);

figure
plot(y)
xlim([0,T])
title('NASDAQ Returns')

Возвраты показывают кластеризацию энергозависимости.

Задайте модель GJR(1,1) и соответствуйте ей к ряду. Преддемонстрационные инновации требуются, чтобы инициализировать эту модель. Используйте первое наблюдение за y как необходимые преддемонстрационные инновации.

Mdl = gjr(1,1);
[EstMdl,EstParamCov] = estimate(Mdl,y(2:end),'E0',y(1))

 
    GJR(1,1) Conditional Variance Model (Gaussian Distribution):
 
                     Value       StandardError    TStatistic      PValue  
                   __________    _____________    __________    __________

    Constant       2.4571e-06     5.6865e-07         4.321       1.553e-05
    GARCH{1}          0.88133      0.0094908        92.862               0
    ARCH{1}          0.064132      0.0092023        6.9692      3.1882e-12
    Leverage{1}      0.088804      0.0099182        8.9536      3.4396e-19

EstMdl = 
  gjr with properties:

     Description: "GJR(1,1) Conditional Variance Model (Gaussian Distribution)"
    Distribution: Name = "Gaussian"
               P: 1
               Q: 1
        Constant: 2.45713e-06
           GARCH: {0.881334} at lag [1]
            ARCH: {0.0641323} at lag [1]
        Leverage: {0.0888043} at lag [1]
          Offset: 0

EstParamCov = 4×4
10^-4 ×

    0.0000   -0.0000    0.0000    0.0000
   -0.0000    0.9007   -0.6939    0.0001
    0.0000   -0.6939    0.8468   -0.3613
    0.0000    0.0001   -0.3613    0.9837

Выход EstMdl новый gjr модель предполагаемыми параметрами.

se = sqrt(diag(EstParamCov))

Входные параметры

свернуть все

`Mdl` — Условная модель отклонения
`garch` объект модели | `egarch` объект модели | `gjr` объект модели

Условная модель отклонения, содержащая неизвестные параметры в виде garch, egarch, или gjr объект модели.

estimate обработки non-NaN элементы в Mdl как ограничения равенства, и не оценивает соответствующие параметры.

`y` — Один путь данных об ответе
числовой вектор-столбец

Один путь данных об ответе в виде числового вектор-столбца. Программное обеспечение выводит условные отклонения из yт.е. . данные, к которым модель является подходящей.

y обычно инновационный ряд со средним значением 0 и условным отклонением, охарактеризованным моделью, заданной в Mdl. В этом случае, y продолжение инновационной серии E0.

y может также представлять инновационный ряд средним значением 0 плюс смещение. Ненулевой Offset сигнализирует о включении смещения в Mdl.

Последнее наблюдение за y последнее наблюдение.

Типы данных: double

Аргументы в виде пар имя-значение

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и 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: 'Display','iter','E0',[0.1; 0.05] задает, чтобы отобразить итеративную информацию об оптимизации и [0.05; 0.1] как преддемонстрационные инновации.

Для GARCH, EGARCH и моделей GJR

свернуть все

`'ARCH0'` — Начальные содействующие оценки, соответствующие прошлым инновационным срокам
числовой вектор

Начальные содействующие оценки, соответствующие прошлым инновациям, называют в виде разделенной запятой пары, состоящей из 'ARCH0' и числовой вектор.

Для GARCH (P, Q) и GJR (P, Q) модели:
- ARCH0 должен быть числовой вектор, содержащий неотрицательные элементы.
- ARCH0 содержит начальные содействующие оценки, сопоставленные с прошлыми инновационными сроками в квадрате, которые составляют полином ДУГИ.
- По умолчанию, estimate выводит первоначальные оценки с помощью стандартных методов временных рядов.
Для EGARCH (P, Q) модели:
- ARCH0 содержит начальные содействующие оценки, сопоставленные с величиной прошлых стандартизированных инноваций, которые составляют полином ДУГИ.
- По умолчанию, estimate устанавливает начальную содействующую оценку, сопоставленную с первой ненулевой задержкой в модели к маленькому положительному значению. Все другие значения являются нулем.

Количество коэффициентов в ARCH0 должен равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в полиноме ДУГИ, как задано в ARCHLags свойство Mdl.

Типы данных: double

`'Constant0'` — Первоначальная условная модель отклонения постоянная оценка
числовой скаляр

Первоначальная условная модель отклонения постоянная оценка в виде разделенной запятой пары, состоящей из 'Constant0' и числовой скаляр.

Для GARCH (P, Q) и GJR (P, Q) модели, Constant0 должна быть положительная скалярная величина.

По умолчанию, estimate выводит первоначальные оценки с помощью стандартных методов временных рядов.

Типы данных: double

`'Display'` — Параметр отображения Командного окна
`'params'` (значение по умолчанию) | `'diagnostics'` | `'full'` | `'iter'` | `'off'` | представьте вектор в виде строки | вектор ячейки из векторов символов

Параметр отображения Командного окна в виде разделенной запятой пары, состоящей из 'Display' и один или несколько значений в этой таблице.

Значение	Отображенная информация
`'diagnostics'`	Диагностика оптимизации
`'full'`	Оценки параметра наибольшего правдоподобия, стандартные погрешности, статистика t, итеративная информация об оптимизации и диагностика оптимизации
`'iter'`	Итеративная информация об оптимизации
`'off'`	'none'
`'params'`	Оценки параметра наибольшего правдоподобия, стандартные погрешности и статистика t

Пример: 'Display','off' хорошо подходит для выполнения симуляции, которая оценивает много моделей.

Пример: 'Display',{'params','diagnostics'} отображает все результаты оценки и диагностику оптимизации.

Типы данных: char | cell | string

`'DoF0'` — Первоначальная оценка t - параметр степеней свободы распределения
10 (значение по умолчанию) | положительная скалярная величина

Первоначальная оценка t - параметр степеней свободы распределения ν в виде разделенной запятой пары, состоящей из 'DoF0' и положительная скалярная величина. DoF0 должен превысить 2.

Типы данных: double

`'E0'` — Преддемонстрационные инновации
числовой вектор-столбец

Преддемонстрационные инновации в виде разделенной запятой пары, состоящей из 'E0' и числовой вектор-столбец. Преддемонстрационные инновации вводят начальные значения для инновационного процесса условной модели Mdl отклонения. Преддемонстрационные инновации выводят из распределения со средним значением 0.

E0 должен содержать, по крайней мере, Mdl.Q 'Строки' . Если E0 содержит дополнительные строки, затем estimate использует последний Mdl.Q преддемонстрационные инновации. Последняя строка содержит последние преддемонстрационные инновации.

Значения по умолчанию:

Для GARCH (P, Q) и GJR (P, Q) модели, estimate наборы любые необходимые преддемонстрационные инновации к квадратному корню из среднего значения придали значению квадратную форму настроенной смещением серии y ответа.
Для EGARCH (P, Q) модели, estimate обнуляет любые необходимые преддемонстрационные инновации.

Типы данных: double

`'GARCH0'` — Начальный коэффициент оценивает для прошлых условных сроков отклонения
числовой вектор

Начальный коэффициент оценивает для прошлых условных сроков отклонения в виде разделенной запятой пары, состоящей из 'GARCH0' и числовой вектор.

Для GARCH (P, Q) и GJR (P, Q) модели:
- GARCH0 должен быть числовой вектор, содержащий неотрицательные элементы.
- GARCH0 содержит начальные содействующие оценки, сопоставленные с прошлыми условными сроками отклонения, которые составляют полином GARCH.
Для EGARCH (P, Q) модели, GARCH0 содержит начальные содействующие оценки, сопоставленные с прошлыми логарифмическими условными сроками отклонения, которые составляют полином GARCH.

Количество коэффициентов в GARCH0 должен равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в полиноме GARCH, как задано в GARCHLags свойство Mdl.

По умолчанию, estimate выводит первоначальные оценки с помощью стандартных методов временных рядов.

Типы данных: double

`'Offset0'` — Начальная инновационная средняя оценка смещения модели
скаляр

Начальное инновационное среднее смещение модели оценивает в виде разделенной запятой пары, состоящей из 'Offset0' и скаляр.

По умолчанию, estimate устанавливает первоначальную оценку на демонстрационное среднее значение y.

Типы данных: double

`'Options'` — Опции оптимизации
`optimoptions` контроллер оптимизации

Опции оптимизации в виде разделенной запятой пары, состоящей из 'Options' и optimoptions контроллер оптимизации. Для получения дополнительной информации при изменении значений по умолчанию оптимизатора, смотрите optimoptions или fmincon в Optimization Toolbox™.

Например, чтобы изменить допуск ограничения в 1e-6, установите Options = optimoptions(@fmincon,'ConstraintTolerance',1e-6,'Algorithm','sqp'). Затем передача Options в estimate использование 'Options',Options.

По умолчанию, estimate использует те же опции по умолчанию в качестве fmincon, кроме Algorithm 'sqp' и ConstraintTolerance 1e-7.

`'V0'` — Преддемонстрационные условные отклонения
числовой вектор-столбец с положительными записями

Преддемонстрационные условные отклонения в виде разделенной запятой пары, состоящей из 'V0' и числовой вектор-столбец с положительными записями. V0 введите начальные значения для условного процесса отклонения условной модели Mdl отклонения.

Для GARCH (P, Q) и GJR (P, Q) модели, V0 должен иметь, по крайней мере, Mdl.P 'Строки' .

Для EGARCH (P, Q) модели, V0 должен иметь, по крайней мере, max(Mdl.P,Mdl.Q) 'Строки' .

Если количество строк в V0 превышает необходимый номер, только последние наблюдения используются. Последняя строка содержит последнее наблюдение.

По умолчанию, estimate устанавливает необходимые преддемонстрационные условные отклонения на среднее значение в квадрате настроенной смещением серии y ответа.

Типы данных: double

Для EGARCH и моделей GJR

свернуть все

`'Leverage0'` — Начальный коэффициент оценивает прошлые сроки рычагов
0 (значение по умолчанию) | числовой вектор

Начальный коэффициент оценивает прошлые сроки рычагов в виде разделенной запятой пары, состоящей из 'Leverage0' и числовой вектор.

Для EGARCH (P, Q) модели, Leverage0 содержит начальные содействующие оценки, сопоставленные с прошлыми стандартизированными инновационными сроками, которые составляют полином рычагов.

Для GJR (P, Q) модели, Leverage0 содержит начальные содействующие оценки, сопоставленные с прошлым, отрицательные инновации в квадрате, которые составляют полином рычагов.

Количество коэффициентов в Leverage0 должен равняться количеству задержек, сопоставленных с ненулевыми коэффициентами в полиноме рычагов (Leverage), как задано в LeverageLags.

Типы данных: double

Примечания

Выходные аргументы

свернуть все

`EstMdl` — Условная модель отклонения, содержащая оценки параметра
`garch` объект модели | `egarch` объект модели | `gjr` объект модели

Условная модель отклонения, содержащая оценки параметра, возвращенные как garch, egarch, или gjr объект модели. estimate наибольшее правдоподобие использования, чтобы вычислить все оценки параметра, не ограниченные Mdl т.е. . ограниченные параметры знали значения).

EstMdl полностью заданная условная модель отклонения. Чтобы вывести условные отклонения для диагностической проверки, передайте EstMdl к infer. Чтобы симулировать или предсказать условные отклонения, передайте EstMdl к simulate или forecast, соответственно.

`EstParamCov` — Ковариационная матрица отклонения оценок наибольшего правдоподобия
числовая матрица

Ковариационная матрица отклонения оценок наибольшего правдоподобия параметров модели, известных оптимизатору, возвращенному как числовая матрица.

Строки и столбцы, сопоставленные любыми параметрами, оцененными наибольшим правдоподобием, содержат ковариации ошибки расчета. Стандартные погрешности оценок параметра являются квадратным корнем из записей по основной диагонали.

Строки и столбцы сопоставили любыми параметрами, которые считаются зафиксированные, когда ограничения равенства содержат 0s.

estimate использует векторное произведение градиентов (OPG) метод, чтобы выполнить оценку ковариационной матрицы.

estimate заказывает параметры в EstParamCov можно следующим образом:

Постоянный
Ненулевые коэффициенты GARCH в положительных задержках
Ненулевые коэффициенты ДУГИ в положительных задержках
Для моделей EGARCH и GJR, ненулевых коэффициентов рычагов в положительных задержках
Степени свободы (только инновационное распределение t)
Возместите (модели только с ненулевым смещением)

Типы данных: double

`logL` — Оптимизированное значение целевой функции логарифмической правдоподобности
скаляр

Оптимизированное значение целевой функции логарифмической правдоподобности, возвращенное как скаляр.

Типы данных: double

`info` — Сводные данные оптимизации
массив структур

Сводные данные оптимизации, возвращенные как массив структур с полями, описанными в этой таблице.

Поле	Описание
`exitflag`	Выходной флаг оптимизации (см. `fmincon` в Optimization Toolbox)
`options`	Контроллер опций оптимизации (см. `optimoptions` и `fmincon` в Optimization Toolbox)
`X`	Вектор из итоговых оценок параметра
`X0`	Вектор из начальных оценок параметра

Например, можно отобразить вектор из итоговых оценок путем ввода info.X в Командном окне.

Типы данных: struct

Советы

К значениям доступа результатов оценки, включая количество свободных параметров в модели, EstMdl передачи к summarize.

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 Временных Рядов: 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] Glosten, L. R. Р. Джейгэннэзэн и Д. Э. Ранкл. “На Отношении между Ожидаемым значением и Энергозависимостью Номинального Избыточного Возврата на Запасах”. Журнал Финансов. Издание 48, № 5, 1993, стр 1779–1801.

[7] Грин, В. Х. Эконометрик Анэлизис. 3-й редактор Верхний Сэддл-Ривер, NJ: Prentice Hall, 1997.

[8] Гамильтон, Джеймс. D. Анализ Временных Рядов. Принстон, NJ: Издательство Принстонского университета, 1994.

Документация

estimate

Синтаксис

Описание

Примеры

Оцените параметры модели GARCH без начальных значений

Оцените параметры модели EGARCH без начальных значений

Оцените параметры модели GJR без начальных значений

Оцените параметры модели GARCH Используя преддемонстрационные данные

Оцените параметры модели EGARCH Используя преддемонстрационные данные

Оцените параметры модели GJR Используя преддемонстрационные данные

Входные параметры

`Mdl` — Условная модель отклонения
`garch` объект модели | `egarch` объект модели | `gjr` объект модели

`y` — Один путь данных об ответе
числовой вектор-столбец

Аргументы в виде пар имя-значение

`'ARCH0'` — Начальные содействующие оценки, соответствующие прошлым инновационным срокам
числовой вектор

`'Constant0'` — Первоначальная условная модель отклонения постоянная оценка
числовой скаляр

`'DoF0'` — Первоначальная оценка t - параметр степеней свободы распределения
10 (значение по умолчанию) | положительная скалярная величина

`'E0'` — Преддемонстрационные инновации
числовой вектор-столбец

`'GARCH0'` — Начальный коэффициент оценивает для прошлых условных сроков отклонения
числовой вектор

`'Offset0'` — Начальная инновационная средняя оценка смещения модели
скаляр

`'Options'` — Опции оптимизации
`optimoptions` контроллер оптимизации

`'V0'` — Преддемонстрационные условные отклонения
числовой вектор-столбец с положительными записями

`'Leverage0'` — Начальный коэффициент оценивает прошлые сроки рычагов
0 (значение по умолчанию) | числовой вектор

Выходные аргументы

`EstMdl` — Условная модель отклонения, содержащая оценки параметра
`garch` объект модели | `egarch` объект модели | `gjr` объект модели

`EstParamCov` — Ковариационная матрица отклонения оценок наибольшего правдоподобия
числовая матрица

`logL` — Оптимизированное значение целевой функции логарифмической правдоподобности
скаляр

`info` — Сводные данные оптимизации
массив структур

Советы

Ссылки

Смотрите также

Объекты

Функции

Темы

Документация Econometrics Toolbox

Поддержка

Документация

estimate

Синтаксис

Описание

Примеры

Оцените параметры модели GARCH без начальных значений

Оцените параметры модели EGARCH без начальных значений

Оцените параметры модели GJR без начальных значений

Оцените параметры модели GARCH Используя преддемонстрационные данные

Оцените параметры модели EGARCH Используя преддемонстрационные данные

Оцените параметры модели GJR Используя преддемонстрационные данные

Входные параметры

Mdl — Условная модель отклонения garch объект модели | egarch объект модели | gjr объект модели

y — Один путь данных об ответе числовой вектор-столбец

Аргументы в виде пар имя-значение

'ARCH0' — Начальные содействующие оценки, соответствующие прошлым инновационным срокам числовой вектор

'Constant0' — Первоначальная условная модель отклонения постоянная оценка числовой скаляр

'DoF0' — Первоначальная оценка t - параметр степеней свободы распределения10 (значение по умолчанию) | положительная скалярная величина

'E0' — Преддемонстрационные инновации числовой вектор-столбец

'GARCH0' — Начальный коэффициент оценивает для прошлых условных сроков отклонения числовой вектор

'Offset0' — Начальная инновационная средняя оценка смещения модели скаляр

'Options' — Опции оптимизации optimoptions контроллер оптимизации

'V0' — Преддемонстрационные условные отклонения числовой вектор-столбец с положительными записями

'Leverage0' — Начальный коэффициент оценивает прошлые сроки рычагов0 (значение по умолчанию) | числовой вектор

Выходные аргументы

EstMdl — Условная модель отклонения, содержащая оценки параметра garch объект модели | egarch объект модели | gjr объект модели

EstParamCov — Ковариационная матрица отклонения оценок наибольшего правдоподобия числовая матрица

logL — Оптимизированное значение целевой функции логарифмической правдоподобности скаляр

info — Сводные данные оптимизации массив структур

Советы

Ссылки

Смотрите также

Объекты

Функции

Темы

Документация Econometrics Toolbox

Поддержка

`Mdl` — Условная модель отклонения
`garch` объект модели | `egarch` объект модели | `gjr` объект модели

`y` — Один путь данных об ответе
числовой вектор-столбец

`'ARCH0'` — Начальные содействующие оценки, соответствующие прошлым инновационным срокам
числовой вектор

`'Constant0'` — Первоначальная условная модель отклонения постоянная оценка
числовой скаляр

`'DoF0'` — Первоначальная оценка t - параметр степеней свободы распределения
10 (значение по умолчанию) | положительная скалярная величина

`'E0'` — Преддемонстрационные инновации
числовой вектор-столбец

`'GARCH0'` — Начальный коэффициент оценивает для прошлых условных сроков отклонения
числовой вектор

`'Offset0'` — Начальная инновационная средняя оценка смещения модели
скаляр

`'Options'` — Опции оптимизации
`optimoptions` контроллер оптимизации

`'V0'` — Преддемонстрационные условные отклонения
числовой вектор-столбец с положительными записями

`'Leverage0'` — Начальный коэффициент оценивает прошлые сроки рычагов
0 (значение по умолчанию) | числовой вектор

`EstMdl` — Условная модель отклонения, содержащая оценки параметра
`garch` объект модели | `egarch` объект модели | `gjr` объект модели

`EstParamCov` — Ковариационная матрица отклонения оценок наибольшего правдоподобия
числовая матрица

`logL` — Оптимизированное значение целевой функции логарифмической правдоподобности
скаляр

`info` — Сводные данные оптимизации
массив структур