Exponenta Banner
exponenta event banner

фильтр

Фильтрация возмущений по модели условной дисперсии

свернуть все на странице

Синтаксис

[V, Y] = фильтр (Mdl, Z)
[V, Y] = фильтр (Mdl, Z, имя, значение)

Описание

пример

[V,Y] = filter(Mdl,Z) возмущения фильтров (Zчерез полностью заданную модель условной дисперсии (Mdl) для создания условных отклонений (v) и ответы (y). Mdl может быть garch, egarch, или gjr модель.

пример

[V,Y] = filter(Mdl,Z,Name,Value) фильтрация нарушений с помощью дополнительных опций, указанных одним или несколькими Name,Value аргументы пары. Например, можно задать пути возмущения и условной дисперсии.

Примеры

свернуть все

Открыть сценарий в реальном времени

Укажите модель GARCH (1,1) с гауссовыми инновациями .

Mdl = garch('Constant',0.005,'GARCH',0.8,'ARCH',0.1);

Моделирование модели с помощью моделирования Монте-Карло. Затем стандартизируйте смоделированные инновации и фильтруйте их. 

rng(1); % For reproducibility
[v,e] = simulate(Mdl,100,'E0',0,'V0',0.05);
Z = e./sqrt(v);
[V,E] = filter(Mdl,Z,'Z0',0,'V0',0.05);

Подтвердить, что выходы simulate и filter идентичны. 

isequal(v,V)
ans = logical
   1

Логическое значение 1 подтверждает, что два выхода идентичны.

Открыть сценарий в реальном времени

Укажите модель EGARCH (1,1) с гауссовыми инновациями.

Mdl = egarch('Constant',-0.1,'GARCH',0.8,'ARCH',0.3,...
    'Leverage',-0.05);

Смоделировать 25 серий стандартных гауссовых наблюдений в течение 100 периодов.

rng(1); % For reproducibility
Z = randn(100,25);

Z представляет собой 25 трактов синхронизированных возмущений за 100 периодов.

Получение 25 путей условных отклонений путем фильтрации путей возмущений через модель EGARCH (1,1).

V = filter(Mdl,Z);

Постройте графики условных отклонений.

figure;
plot(V);
title('Conditional Variance Paths');
xlabel('Periods');

Figure contains an axes. The axes with title Conditional Variance Paths contains 25 objects of type line.

Открыть сценарий в реальном времени

Укажите модель GJR (1,2) с гауссовыми инновациями.

Mdl = gjr('Constant',0.005,'GARCH',0.8,'ARCH',{0.1 0.01},...
    'Leverage',{0.05 0.01});

Смоделировать 25 серий стандартных гауссовых наблюдений за 102 периода.

rng(1); % For reproducibility
Z = randn(102,25);

Z представляет собой 25 трактов синхронизированных возмущений за 102 периода.

Получить 25, 100 путей периодов условных отклонений путем фильтрации путей возмущений через модель GJR (1,2). Укажите первые два возмущения в качестве предварительных наблюдений.

V = filter(Mdl,Z(3:end,:),'Z0',Z(1:2,:));

Постройте графики условных отклонений.

figure;
plot(V);
title('Conditional Variance Paths');
xlabel('Periods');

Figure contains an axes. The axes with title Conditional Variance Paths contains 25 objects of type line.

Входные аргументы

свернуть все

Модель условного отклонения без неизвестных параметров, указанная как garch, egarch, или gjr объект модели.

Mdl не может содержать свойства, имеющие NaN значение.

Пути возмущений, используемые для управления инновационным процессом, определяемые как числовой вектор или матрица. Принимая во внимание дисперсионный процесс startt2 и процесс нарушения zt, инновационный процесс является

αt = starttzt.

В качестве вектора столбца Z представляет одиночный путь к нижележащему ряду возмущений.

В качестве матрицы строки Z соответствуют периодам. Столбцы соответствуют отдельным путям. Наблюдения в любой строке выполняются одновременно.

Последний элемент или строка Z содержит последнее наблюдение.

Примечание

NaNs указывает на отсутствие значений. filter удаляет эти значения из Z путем списочного удаления. Программа удаляет любую строку Z по крайней мере с одним NaN. Удаление NaNs в данных уменьшает размер выборки, а также может создавать нерегулярные временные ряды.

Аргументы пары «имя-значение»

Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.

Пример: 'Z0',[1 1;0.5 0.5],'V0',[1 0.5;1 0.5] задает два эквивалентных пути предварительной выборки инноваций и два различных пути предварительной выборки условных отклонений.

Предварительный пример путей возмущений, заданных как числовой вектор или матрица. Z0 обеспечивает исходные значения для входного ряда возмущений, Z.

  • Если Z0 является вектором столбца, то filter применяет его к каждому выходному пути.

  • Если Z0 является матрицей, то она должна иметь по крайней мере столько столбцов, сколько Z. Если Z0 имеет больше столбцов, чем Z, то filter использует первый size(Z,2) только столбцы.

Z0 должен иметь по крайней мере Mdl.Q для инициализации модели условного отклонения. Если количество строк в Z0 превышает Mdl.Q, то filter использует только последнее требуемое количество наблюдений.

Последний элемент или строка содержит последнее наблюдение.

По умолчанию filter устанавливает любые необходимые возмущения предварительного отбора в независимую последовательность стандартизированных возмущений, взятых из Mdl.Distribution.

Типы данных: double

Положительная предварительная выборка путей условной дисперсии, заданная как числовой вектор или матрица. V0 предоставляет начальные значения для условных отклонений в модели.

  • Если V0 является вектором столбца, то filter применяет его к каждому выходному пути.

  • Если V0 является матрицей, то она должна иметь по крайней мере столько столбцов, сколько Z. Если V0 имеет больше столбцов, чем Z, то filter использует первый size(Z,2) только столбцы.

V0 должен иметь по крайней мере max(Mdl.P,Mdl.Q) для инициализации уравнения дисперсии. Если количество строк в V0 превышает необходимое число, то filter использует только последнее требуемое количество наблюдений.

Последний элемент или строка содержит последнее наблюдение.

По умолчанию filter устанавливает любые необходимые предварительные условные отклонения для безусловной дисперсии процесса.

Типы данных: double

Примечания

  • NaNs указывает на отсутствие значений. filter удаляет отсутствующие значения. Программное обеспечение объединяет предварительные данные (Z0 и V0) отдельно от возмущений (Z), а затем использует удаление на основе списка для удаления строк, содержащих по крайней мере одну NaN. Удаление NaNs в данных уменьшает размер выборки. Удаление NaNs также может создавать нерегулярные временные ряды.

  • filter предполагает, что данные предварительной выборки синхронизируются таким образом, что последнее наблюдение каждой серии предварительных проб происходит одновременно.

Выходные аргументы

свернуть все

Пути условной дисперсии, возвращаемые в виде вектора или матрицы столбца. V представляет условные дисперсии средних нулевых гетероскедастических инноваций, связанных с Y.

Размеры V и Z эквивалентны. Если Z является матрицей, то столбцы V являются отфильтрованными путями условной дисперсии, соответствующими столбцам Z.

Ряды V - периоды, соответствующие периодичности Z.

Пути ответа, возвращаемые в виде вектора или матрицы числового столбца. Y обычно представляет собой средний-нулевой, гетероскедастический временной ряд инноваций с условными дисперсиями, приведенными в V.

Y может также представлять временной ряд средних нулевых гетероскедастических инноваций плюс смещение. Если Mdl включает смещение, затем filter добавляет смещение к лежащему в основе среднему нулю гетероскедастических инноваций. Поэтому Y представляет временной ряд инноваций с поправкой на смещение.

Если Z является матрицей, то столбцы Y являются отфильтрованными путями ответа, соответствующими столбцам Z.

Ряды Y - периоды, соответствующие периодичности Z.

Альтернативы

filter делает вывод simulate. Обе функции фильтруют ряд возмущений для получения выходных откликов и условных отклонений. Однако simulate автогенерирует ряд средних нулевых, единичных дисперсионных, независимых и идентично распределенных (iid) возмущений в соответствии с распределением в объекте модели условной дисперсии, Mdl. Напротив, filter позволяет непосредственно указать собственные возмущения.

Ссылки

[1] Боллерслев, Т. «Обобщенная авторегрессионная условная гетероскедастичность». Журнал эконометрики. Том 31, 1986, стр. 307-327.

[2] Боллерслев, Т. «Условно гетероскедастическая модель временных рядов для спекулятивных цен и ставок доходности». Обзор экономики и статистики. Том 69, 1987, стр. 542-547.

[3] Бокс, Г. Э. П., Г. М. Дженкинс и Г. К. Рейнсель. Анализ временных рядов: прогнозирование и контроль. 3-й ред. Энглвуд Клиффс, Нью-Джерси: Прентис Холл, 1994.

[4] Enders, W. Applied Econometric Time Series. Хобокен, Нью-Джерси: John Wiley & Sons, 1995.

[5] Энгл, Р. Ф. «Авторегрессивная условная гетероскедастичность с оценками дисперсии инфляции Соединенного Королевства». Эконометрика. Том 50, 1982, стр. 987-1007.

[6] Гамильтон, Дж. Д. Анализ временных рядов. Принстон, Нью-Джерси: Princeton University Press, 1994.

См. также

Объекты

Функции

Темы

Представлен в R2012a

Документация по инструментарию Econometrics

Поддержка