forecast

Предскажите условные отклонения из условных моделей отклонения

Описание

пример

V = forecast(Mdl,numperiods,Y0) возвращает 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.

пример

V = forecast(Mdl,numperiods,Y0,Name,Value) генерирует прогнозы с дополнительными опциями, заданными одним или несколькими аргументами пары "имя-значение". Например, можно инициализировать модель путем определения преддемонстрационных условных отклонений.

Примеры

свернуть все

Предскажите условное отклонение симулированных данных по горизонту с 30 периодами.

Симулируйте 100 наблюдений из модели GARCH(1,1) известными параметрами.

Mdl = garch('Constant',0.02,'GARCH',0.8,'ARCH',0.1);
rng default; % For reproducibility
[v,y] = simulate(Mdl,100);

Предскажите условные отклонения по горизонту с 30 периодами, с и не используя симулированные данные в качестве преддемонстрационных инноваций. Постройте прогнозы.

vF1 = forecast(Mdl,30,'Y0',y);
vF2 = forecast(Mdl,30);

figure
plot(v,'Color',[.7,.7,.7])
hold on
plot(101:130,vF1,'r','LineWidth',2);
plot(101:130,vF2,':','LineWidth',2);
title('Forecasted Conditional Variances')
legend('Observed','Forecasts with Presamples',...
		'Forecasts without Presamples','Location','NorthEast')
hold off

Figure contains an axes. The axes with title Forecasted Conditional Variances contains 3 objects of type line. These objects represent Observed, Forecasts with Presamples, Forecasts without Presamples.

Прогнозы, сделанные, не используя преддемонстрационные инновации, равняются безусловному инновационному отклонению. Прогнозы, сделанные с помощью преддемонстрационных инноваций, сходятся асимптотически к безусловному инновационному отклонению.

Предскажите условное отклонение симулированных данных по горизонту с 30 периодами.

Симулируйте 100 наблюдений из модели EGARCH(1,1) известными параметрами.

Mdl = egarch('Constant',0.01,'GARCH',0.6,'ARCH',0.2,...
            'Leverage',-0.2);
rng default; % For reproducibility
[v,y] = simulate(Mdl,100);

Предскажите условное отклонение по горизонту с 30 периодами, с и не используя симулированные данные в качестве преддемонстрационных инноваций. Постройте прогнозы.

Vf1 = forecast(Mdl,30,y);
Vf2 = forecast(Mdl,30);

figure
plot(v,'Color',[.7,.7,.7])
hold on
plot(101:130,Vf1,'r','LineWidth',2);
plot(101:130,Vf2,':','LineWidth',2);
title('Forecasted Conditional Variances')
legend('Observed','Forecasts with Presamples',...
		'Forecasts without Presamples','Location','NorthEast')
hold off

Figure contains an axes. The axes with title Forecasted Conditional Variances contains 3 objects of type line. These objects represent Observed, Forecasts with Presamples, Forecasts without Presamples.

Прогнозы, сделанные, не используя преддемонстрационные инновации, равняются безусловному инновационному отклонению. Прогнозы, сделанные с помощью преддемонстрационных инноваций, сходятся асимптотически к безусловному инновационному отклонению.

Предскажите условное отклонение симулированных данных по горизонту с 30 периодами.

Симулируйте 100 наблюдений из модели GJR(1,1) известными параметрами.

Mdl = gjr('Constant',0.01,'GARCH',0.6,'ARCH',0.2,...
    'Leverage',0.2);
rng default; % For reproducibility
[v,y] = simulate(Mdl,100);

Предскажите условные отклонения по горизонту с 30 периодами, с и не используя симулированные данные в качестве преддемонстрационных инноваций. Постройте прогнозы.

vF1 = forecast(Mdl,30,'Y0',y);
vF2 = forecast(Mdl,30);

figure
plot(v,'Color',[.7,.7,.7])
hold on
plot(101:130,vF1,'r','LineWidth',2);
plot(101:130,vF2,':','LineWidth',2);
title('Forecasted Conditional Variances')
legend('Observed','Forecasts with Presamples',...
		'Forecasts without Presamples','Location','NorthEast')
hold off

Figure contains an axes. The axes with title Forecasted Conditional Variances contains 3 objects of type line. These objects represent Observed, Forecasts with Presamples, Forecasts without Presamples.

Прогнозы, сделанные, не используя преддемонстрационные инновации, равняются безусловному инновационному отклонению. Прогнозы, сделанные с помощью преддемонстрационных инноваций, сходятся асимптотически к безусловному инновационному отклонению.

Предскажите, что условное отклонение Сводного индекса NASDAQ возвращается по 500-дневному горизонту с помощью GARCH (1,1), модели EGARCH (1,1) и GJR (1,1).

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

load Data_EquityIdx
nasdaq = DataTable.NASDAQ;
r = price2ret(nasdaq);
T = length(r);  
meanR = mean(r)
meanR = 4.7771e-04
figure;
plot(dates(2:end),r,dates(2:end),meanR*ones(T,1),'--r');
datetick;
title('Daily NASDAQ Returns');
xlabel('Day');
ylabel('Return');

Figure contains an axes. The axes with title Daily NASDAQ Returns contains 2 objects of type line.

Отклонение ряда, кажется, изменяется. Это изменение является индикацией относительно кластеризации энергозависимости. Условное среднее смещение модели очень близко к нулю.

Соответствуйте GARCH (1,1), EGARCH (1,1), и модели GJR(1,1) к данным. По умолчанию программное обеспечение обнуляет условное среднее смещение модели.

MdlGARCH = garch(1,1);
MdlEGARCH = egarch(1,1);
MdlGJR = gjr(1,1);

EstMdlGARCH = estimate(MdlGARCH,r);  
 
    GARCH(1,1) Conditional Variance Model (Gaussian Distribution):
 
                  Value       StandardError    TStatistic      PValue  
                __________    _____________    __________    __________

    Constant    2.0101e-06     5.4314e-07        3.7008       0.0002149
    GARCH{1}        0.8833      0.0084528         104.5               0
    ARCH{1}        0.10919       0.007662        14.251      4.4112e-46
EstMdlEGARCH = estimate(MdlEGARCH,r);  
 
    EGARCH(1,1) Conditional Variance Model (Gaussian Distribution):
 
                     Value      StandardError    TStatistic      PValue  
                   _________    _____________    __________    __________

    Constant        -0.13494       0.022096       -6.1073      1.0134e-09
    GARCH{1}         0.98389      0.0024225        406.15               0
    ARCH{1}          0.19964       0.013964        14.297      2.2804e-46
    Leverage{1}    -0.060242       0.005646        -10.67      1.4065e-26
EstMdlGJR = estimate(MdlGJR,r);
 
    GJR(1,1) Conditional Variance Model (Gaussian Distribution):
 
                     Value       StandardError    TStatistic      PValue  
                   __________    _____________    __________    __________

    Constant       2.4568e-06     5.6828e-07        4.3231      1.5385e-05
    GARCH{1}          0.88144       0.009478        92.998               0
    ARCH{1}           0.06394      0.0091771        6.9674      3.2293e-12
    Leverage{1}      0.088909      0.0099025        8.9784      2.7468e-19

Предскажите условное отклонение в течение 500 дней с помощью подобранных моделей. Используйте наблюдаемые возвраты в качестве преддемонстрационных инноваций для прогнозов.

vFGARCH = forecast(EstMdlGARCH,500,r);  
vFEGARCH = forecast(EstMdlEGARCH,500,r);  
vFGJR= forecast(EstMdlGJR,500,r);

Постройте прогнозы наряду с условными отклонениями, выведенными из данных.

vGARCH = infer(EstMdlGARCH,r);
vEGARCH = infer(EstMdlEGARCH,r);
vGJR = infer(EstMdlGJR,r);
datesFH = dates(end):(dates(end)+1000); % 1000 period forecast horizon

figure;
subplot(3,1,1);
plot(dates(end-250:end),vGARCH(end-250:end),'b',...
    datesFH(2:end-500),vFGARCH,'b--');
legend('Inferred','Forecast','Location','NorthEast');
title('GARCH(1,1) Conditional Variances');
datetick;
axis tight;
subplot(3,1,2);
plot(dates(end-250:end),vEGARCH(end-250:end),'r',...
    datesFH(2:end-500),vFEGARCH,'r--');
legend('Inferred','Forecast','Location','NorthEast');
title('EGARCH(1,1) Conditional Variances');
datetick;
axis tight;

subplot(3,1,3);
plot(dates(end-250:end),vGJR(end-250:end),'k',...
    datesFH(2:end-500),vFGJR,'k--');
legend('Inferred','Forecast','Location','NorthEast');
title('GJR(1,1) Conditional Variances');
datetick;
axis tight;

Figure contains 3 axes. Axes 1 with title GARCH(1,1) Conditional Variances contains 2 objects of type line. These objects represent Inferred, Forecast. Axes 2 with title EGARCH(1,1) Conditional Variances contains 2 objects of type line. These objects represent Inferred, Forecast. Axes 3 with title GJR(1,1) Conditional Variances contains 2 objects of type line. These objects represent Inferred, Forecast.

Постройте условные прогнозы отклонения на 1 000 дней.

vF1000GARCH = forecast(EstMdlGARCH,1000,r);
vF1000EGARCH = forecast(EstMdlEGARCH,1000,r);
vF1000GJR = forecast(EstMdlGJR,1000,r);

figure;
plot(datesFH(2:end),vF1000GARCH,'b',...
    datesFH(2:end),vF1000EGARCH,'r',...
    datesFH(2:end),vF1000GJR,'k');
legend('GARCH','EGARCH','GJR','Location','NorthEast');
title('Conditional Variance Forecast Asymptote')    
datetick;

Figure contains an axes. The axes with title Conditional Variance Forecast Asymptote contains 3 objects of type line. These objects represent GARCH, EGARCH, GJR.

Прогнозы сходятся асимптотически к безусловным отклонениям их соответствующих процессов.

Входные параметры

свернуть все

Условная модель отклонения без любых неизвестных параметров в виде garch, egarch, или gjr объект модели.

Mdl не может содержать свойства, которые имеют NaN значение.

Предскажите горизонт или количество моментов времени в период прогноза в виде положительного целого числа.

Типы данных: double

Преддемонстрационные данные об ответе раньше выводили преддемонстрационные инновации E0, и чье условное отклонение предсказано в виде числового вектор-столбца с длиной numpreobs или numpreobs- numpaths числовая матрица.

Y0 может представлять среднее значение 0 преддемонстрационных инновационных рядов процессом отклонения, охарактеризованным условной моделью Mdl отклоненияy0 может также представлять преддемонстрационный инновационный ряд плюс смещение (сохраненный в Mdl.Offset). Для получения дополнительной информации см. Алгоритмы.

Строки Y0 соответствуйте периодам в предварительной выборке, и последняя строка содержит последний преддемонстрационный ответ. numpreobs количество заданных преддемонстрационных ответов, и это должен быть, по крайней мере, Mdl.Q инициализировать уравнение отклонения. Если numpreobs превышает Mdl.Q, forecast использование только последний Mdl.Q 'Строки' . Для получения дополнительной информации смотрите Базовые Разделы Времени для Прогнозирования.

Столбцы Y0 соответствуйте отдельным, независимым контурам.

  • Если Y0 вектор-столбец, forecast применяет его к каждому предсказанному пути. В этом случае, все пути к прогнозу Y выведите из тех же начальных ответов.

  • Если Y0 матрица, она должна иметь numpaths столбцы, где numpaths максимум среди вторых измерений заданных преддемонстрационных массивов наблюдения Y0 и V0.

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: 'V0',[1 0.5;1 0.5] задает два различных преддемонстрационных пути условных отклонений.

Преддемонстрационные условные отклонения раньше инициализировали условную модель отклонения в виде разделенной запятой пары, состоящей из 'V0' и числовой вектор-столбец или матрица с положительными записями и numpaths столбцы.

Строки V0 соответствуйте периодам в предварительной выборке, и последняя строка содержит последнее преддемонстрационное условное отклонение.

  • Для GARCH (P, Q) и GJR (P, Q) модели, V0 должен иметь, по крайней мере, Mdl.P строки, чтобы инициализировать уравнение отклонения.

  • Для EGARCH (P, Q) модели, V0 должен иметь, по крайней мере, max([Mdl.P Mdl.Q]) строки, чтобы инициализировать уравнение отклонения.

Если количество строк превышает минимальный номер, то forecast использует последние наблюдения только.

Столбцы V0 соответствуйте отдельным, независимым контурам.

  • Если V0 вектор-столбец, forecast применяет его к каждому предсказанному пути. В этом случае, условная модель отклонения всех путей к прогнозу Y выводит из тех же начальных условных отклонений.

  • Если V0 матрица, она должна иметь numpaths столбцы.

  • По умолчанию, если Y0 имеет, по крайней мере, макс. (P, Q) + строки P, forecast выводит любые необходимые преддемонстрационные условные отклонения путем передачи Mdl и Y0 к infer.

  • По умолчанию, если Y0 имеет недостаточную длину:

    • Для GARCH (P, Q) и GJR (P, Q) модели, forecast наборы любые необходимые преддемонстрационные условные отклонения к безусловному отклонению условного процесса отклонения.

    • Для EGARCH (P, Q) модели, forecast наборы любые необходимые преддемонстрационные условные отклонения к exponentiated, безусловному среднему значению логарифма EGARCH (P, Q) процесс отклонения.

Типы данных: double

Примечание

forecast принимает, что вы синхронизируете преддемонстрационные данные, таким образом, что последнее наблюдение за каждым преддемонстрационным рядом происходит одновременно.

Выходные аргументы

свернуть все

Прогнозы минимальной среднеквадратичной погрешности (MMSE) условных отклонений будущих инноваций модели, возвращенных как числовой вектор-столбец с длиной numperiods или numperiods- numpaths числовая матрица. V представляет продолжение V0 (V(1,:) происходит в следующем моменте времени после V0(end,:)).

V (jK) содержит j- период вперед предсказал условное отклонение пути k.

forecast определяет numpaths от количества столбцов в преддемонстрационных наборах данных Y0 и V0. Для получения дополнительной информации см. Алгоритмы. Если каждый преддемонстрационный набор данных имеет один столбец, то V вектор-столбец.

Больше о

свернуть все

Базовые разделы времени для прогнозирования

Time base partitions for forecasting является двумя непересекающимися, непрерывными интервалами основы времени; каждый интервал содержит данные временных рядов для прогнозирования динамической модели. forecast period (горизонт прогноза) является numperiods раздел длины в конце времени базируется во время который forecast генерирует предсказывает V от динамической модели Mdl. presample period является целым разделом, происходящим перед периодом прогноза. forecast может потребовать наблюдаемых ответов (или инновации) Y0 или условные отклонения V0 в преддемонстрационный период, чтобы инициализировать динамическую модель для прогнозирования. Структура модели определяет типы и объемы необходимых преддемонстрационных наблюдений.

Установившаяся практика должна подбирать динамическую модель к фрагменту набора данных, затем подтвердить предсказуемость модели путем сравнения ее прогнозов с наблюдаемыми ответами. Во время прогнозирования преддемонстрационный период содержит данные, к которым модель является подходящей, и период прогноза содержит выборку затяжки для валидации. Предположим, что yt является наблюдаемым рядом ответа. Считайте предсказывающие условные отклонения от динамической модели y t numperiods = периоды K. Предположим, что динамическая модель является подходящей к данным в интервале [1, TK] (для получения дополнительной информации, смотрите estimate). Этот рисунок показывает базовые разделы времени для прогнозирования.

Например, сгенерировать предсказывает Y из модели GARCH(0,2), forecast требует преддемонстрационных ответов (инновации) Y0 = [yTK1yTK] инициализировать модель. 1 период вперед предсказал, требует обоих наблюдений, тогда как эти 2 периода вперед предсказывают, требует y TK и 1 период вперед предсказывают V(1). forecast генерирует все другие прогнозы путем заменения предыдущими прогнозами изолированных ответов в модели.

Динамические модели, содержащие компонент GARCH, могут потребовать преддемонстрационных условных отклонений. Учитывая достаточные преддемонстрационные ответы, forecast выводит необходимые преддемонстрационные условные отклонения. Этот рисунок показывает массивы необходимых наблюдений для этого случая с соответствующими аргументами ввода и вывода.

Алгоритмы

  • 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:

    1. 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.

    2. forecast применяет мудрое списком удаление к объединенной преддемонстрационной матрице путем удаления всех строк, содержащих по крайней мере один NaN.

    3. 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.

Вопросы совместимости

развернуть все

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] 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.

Представленный в R2012a
Для просмотра документации необходимо авторизоваться на сайте