В этом примере показано, как оценить предположения модели GARCH путем выполнения остаточной диагностики с помощью приложения Econometric Modeler. Набор данных, сохраненный в CAPMuniverse.mat
, содержит данные о рынке для ежедневной газеты, возвращается из запасов и наличных денег (денежный рынок) с периода 1 января 2000 до 7 ноября 2005. Полагайте, что моделирование индекса рынка возвращается (MARKET
).
В командной строке загрузите CAPMuniverse.mat
набор данных.
load CAPMuniverse
Ряды находятся в расписании AssetsTimeTable
.
В командной строке откройте приложение Econometric Modeler.
econometricModeler
В качестве альтернативы откройте приложение из галереи Apps (см. Econometric Modeler).
Импортируйте AssetsTimeTable
в приложение:
На вкладке Econometric Modeler, в разделе Import, нажатии кнопки.
В диалоговом окне Import Data, в столбце Import?, устанавливают флажок для AssetsTimeTable
переменная.
Нажмите Import.
Индексные переменные рынка, включая MARKET
, появитесь в Data Browser, и график временных рядов, содержащий весь ряд, появляется в окне рисунка Time Series Plot(APPL).
Постройте ряд индекса рынка путем двойного клика по MARKET
временные ряды в Data Browser.
Ряд, кажется, колеблется вокруг y = 0 и кластеризация энергозависимости выставок. Рассмотрите модель GARCH(1,1) без среднего смещения для ряда.
Задайте модель GARCH(1,1) без среднего смещения.
В Data Browser выберите MARKET
.
На вкладке Econometric Modeler, в разделе Models, кликают по стреле, чтобы отобразить галерею моделей.
В галерее моделей, в разделе GARCH Models, нажимают GARCH.
В диалоговом окне GARCH Model Parameters, на вкладке Lag Order:
Установите GARCH Degree на 1
.
Установите ARCH Degree на 1
.
Нажмите Estimate.
Переменная GARCH_MARKET
модели появляется в разделе Models Data Browser, и его сводные данные оценки появляются в документе Model Summary(GARCH_MARKET).
Значения p содействующих оценок близко к нулю, который указывает, что оценки являются значительными. Выведенные условные отклонения показывают высокую волатильность до 2 003, затем маленькая энергозависимость до 2 005. Стандартизированные остаточные значения, кажется, колеблются вокруг y = 0, и существуют несколько большие (в величине) остаточные значения.
Оцените, являются ли стандартизированные остаточные значения нормально распределенными и некоррелироваными. Затем оцените, имеет ли остаточный ряд непрекращающееся условное выражение heteroscedasticity.
Оцените, нормально распределены ли стандартизированные остаточные значения путем графического вывода их гистограммы и графика квантиля квантиля:
В Data Browser выберите GARCH_MARKET
.
На вкладке Econometric Modeler, в разделе Diagnostics, нажимают Residual Diagnostics> Residual Histogram.
В разделе Diagnostics нажмите Residual Diagnostics> Residual Q-Q Plot.
Гистограмма и график квантиля квантиля появляются в Histogram(GARCH_MARKET) и окнах рисунка QQPlot(GARCH_MARKET), соответственно.
Оцените, автокоррелируются ли стандартизированные остаточные значения путем графического вывода их автокорреляционной функции (ACF).
В Data Browser выберите GARCH_MARKET
.
На вкладке Econometric Modeler, в разделе Diagnostics, нажимают Residual Diagnostics> Autocorrelation Function.
График ACF появляется в окне рисунка ACF(GARCH_MARKET).
Оцените, имеет ли остаточный ряд непрекращающееся условное выражение heteroscedasticity путем графического вывода ACF стандартизированных остаточных значений в квадрате:
В Data Browser выберите GARCH_MARKET
.
Кликните по вкладке Econometric Modeler. Затем в разделе Diagnostics нажмите Residual Diagnostics> Squared Residual Autocorrelation.
ACF стандартизированных остаточных значений в квадрате появляется в окне рисунка ACF(GARCH_MARKET)2.
Расположите гистограмму, график квантиля квантиля, ACF и ACF стандартизированного остаточного ряда в квадрате так, чтобы они заняли четыре квадранта правой панели:
Перетащите окно рисунка ACF(GARCH_MARKET)2 к нижней части панели.
Перетащите окно рисунка ACF(GARCH_MARKET) к третьему квадранту.
Перетащите окно рисунка Histogram(GARCH_MARKET) к первому квадранту.
Несмотря на то, что результаты показывают несколько больших стандартизированных остаточных значений, они, кажется, приблизительно нормально распределены. Графики ACF стандартизированных и стандартизированных остаточных значений в квадрате не содержат значительных автокорреляций. Поэтому разумно прийти к заключению, что стандартизированные остаточные значения являются некоррелироваными и гомоскедастичными.