Предскажите условные отклонения из условных моделей отклонения
возвращает V
= forecast(Mdl
,numperiods
,Y0
)numperiods
последовательные предсказанные условные отклонения V
из полностью заданной, одномерной условной модели Mdl
отклонения. Модель
Mdl
может быть garch
, egarch
, или gjr
объект модели. Преддемонстрационные данные об ответе Y0
инициализирует модель, чтобы сгенерировать прогнозы.
генерирует прогнозы с дополнительными опциями, заданными одним или несколькими аргументами пары "имя-значение". Например, можно инициализировать модель путем определения преддемонстрационных условных отклонений.V
= forecast(Mdl
,numperiods
,Y0
,Name,Value
)
Если условная модель Mdl
отклонения имеет смещение (
Mdl.Offset
), forecast
вычитает его из заданных преддемонстрационных ответов Y0
получить преддемонстрационные инновации E0
. Впоследствии, forecast
использование E0
инициализировать условную модель отклонения для прогнозирования.
forecast
определяет номер демонстрационных путей, чтобы предсказать numpaths
к максимальному количеству столбцов среди преддемонстрационных наборов данных Y0
и V0
. Все преддемонстрационные наборы данных должны иметь любой numpaths
> 1 столбец или один столбец. В противном случае, forecast
выдает ошибку. Например, если Y0
имеет пять столбцов, представляя пять путей, затем V0
может или иметь пять столбцов или один столбец. Если V0
имеет один столбец, затем forecast
применяет V0
к каждому пути.
NaN
значения в преддемонстрационных наборах данных указывают на недостающие данные. forecast
удаляет недостающие данные из преддемонстрационных наборов данных, выполняющих эту процедуру:
forecast
горизонтально конкатенирует заданные преддемонстрационные наборы данных Y0
и V0
таким образом, что последние наблюдения происходят одновременно. Результатом может быть зубчатый массив, потому что преддемонстрационные наборы данных могут иметь различное количество строк. В этом случае, forecast
переменные перед клавиатурами с ассигновать суммой в размере нулей, чтобы сформировать матрицу.
forecast
применяет мудрое списком удаление к объединенной преддемонстрационной матрице путем удаления всех строк, содержащих по крайней мере один NaN
.
forecast
извлекает обработанные преддемонстрационные наборы данных из результата шага 2 и удаляет все предзаполненные нули.
Мудрое списком удаление уменьшает объем выборки и может создать неправильные временные ряды.
[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] Гамильтон, J. D. Анализ Временных Рядов. Принстон, NJ: Издательство Принстонского университета, 1994.
[8] Нельсон, D. B. “Условный Heteroskedasticity в Активе Возвращается: Новый Подход”. Econometrica. Издание 59, 1991, стр 347–370.