Подбирайте условную модель отклонения к данным
оценивает неизвестные параметры условного объекта модели отклонения EstMdl
= estimate(Mdl
,y
)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
).
оценивает условную модель отклонения с дополнительными опциями, заданными одним или несколькими EstMdl
= estimate(Mdl
,y
,Name,Value
)Name,Value
парные аргументы. Например, можно задать, чтобы отобразить итеративную информацию об оптимизации или преддемонстрационные инновации.
[
дополнительно возвращается:EstMdl
,EstParamCov
,logL
,info
]
= estimate(___)
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.
Подбирайте модель GARCH(1,1) к симулированным данным.
Симулируйте 500 точек данных из модели GARCH(1,1)
где и
Используйте Гауссово инновационное распределение по умолчанию для .
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.
Подбирайте модель EGARCH(1,1) к симулированным данным.
Симулируйте 500 точек данных из модели EGARCH(1,1)
где и
(распределение 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.
Подбирайте модель GJR(1,1) к симулированным данным.
Симулируйте 500 точек данных из модели GJR(1,1).
где и
Используйте Гауссово инновационное распределение по умолчанию для .
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.
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))
se = 3×1
0.0000
0.0084
0.0076
Это стандартные погрешности, показанные по оценке выходное отображение. Они соответствуют (в порядке) к постоянному, коэффициенту GARCH и коэффициенту ДУГИ.
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.
Используйте выходную ковариационную матрицу отклонения, чтобы вычислить оценочные стандартные погрешности.
se = sqrt(diag(EstParamCov))
se = 4×1
0.0221
0.0024
0.0140
0.0056
Это стандартные погрешности, показанные по оценке выходное отображение. Они соответствуют (в порядке) к постоянному, коэффициенту GARCH, коэффициенту ДУГИ, и усиливают коэффициент.
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.
Используйте выходную ковариационную матрицу отклонения, чтобы вычислить оценочные стандартные погрешности.
se = sqrt(diag(EstParamCov))
se = 4×1
0.0000
0.0095
0.0092
0.0099
Это стандартные погрешности, показанные по оценке выходное отображение. Они соответствуют (в порядке) к постоянному, коэффициенту GARCH, коэффициенту ДУГИ, и усиливают коэффициент.
Mdl
— Условная модель отклоненияgarch
объект модели | egarch
объект модели | gjr
объект моделиy
— Один путь данных об ответеОдин путь данных об ответе в виде числового вектор-столбца. Программное обеспечение выводит условные отклонения из y
т.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
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
.
'Display','iter','E0',[0.1; 0.05]
задает, чтобы отобразить итеративную информацию об оптимизации и [0.05; 0.1]
как преддемонстрационные инновации.'ARCH0'
— Начальные содействующие оценки, соответствующие прошлым инновационным срокамНачальные 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 оценкаПервоначальная 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 символовПараметр 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
(значение по умолчанию) | положительная скалярная величинаПервоначальная 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 инновацииПреддемонстрационные 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 отклоненияНачальный 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 моделиНачальное 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 оптимизацииoptimoptions
контроллер оптимизацииОпции 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 отклоненияПреддемонстрационные 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
'Leverage0'
— Начальный коэффициент оценивает прошлые сроки рычагов
(значение по умолчанию) | числовой векторНачальный 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
NaN
s в данных о предварительной выборке или оценке указывают на недостающие данные, и estimate
удаляет их. Программное обеспечение объединяет преддемонстрационные данные (E0
и V0
) отдельно от эффективных выборочных данных (y
), и затем использует мудрое списком удаление, чтобы удалить строки, содержащие по крайней мере один NaN
. Удаление NaN
s в данных уменьшает объем выборки и может также создать неправильные временные ряды.
estimate
принимает, что вы синхронизируете преддемонстрационные данные, таким образом, что последние наблюдения происходят одновременно.
Если вы задаете значение для Display
, затем это более приоритетно по сравнению с техническими требованиями опций оптимизации Diagnostics
и Display
. В противном случае, estimate
почести все выборы, связанные с отображением информации об оптимизации в опциях оптимизации.
Если вы не задаете E0
и V0
то estimate
выводит необходимые преддемонстрационные наблюдения из безусловного, или отдаленного, отклонения настроенного смещением процесса ответа.
Для всех условных моделей отклонения, V0
демонстрационное среднее значение воздействий в квадрате настроенных смещением данных об ответе y
.
Для GARCH (P, Q) и GJR (P, Q) модели, E0
квадратный корень из среднего значения в квадрате настроенной смещением серии y
ответа.
Для EGARCH (P, Q) модели, E0
0
.
Эти технические требования минимизируют начальные переходные эффекты.
EstMdl
— Условная модель отклонения, содержащая оценки параметраgarch
объект модели | egarch
объект модели | gjr
объект моделиУсловная 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 правдоподобияКовариационная 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 0
s.
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 правдоподобностиОптимизированное значение целевой функции логарифмической правдоподобности, возвращенное как скаляр.
Типы данных: double
info
— Сводные данные оптимизацииСводные 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
[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.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
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.