filter

Фильтруйте нарушения порядка через модель условного отклонения

Свернуть все на странице

Синтаксис

[V,Y] = filter(Mdl,Z)
[V,Y] = filter(Mdl,Z,Name,Value)

Описание

пример

[V,Y] = filter(Mdl,Z) фильтрует нарушения порядка (Z) через полностью заданную модель условного отклонения (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) фильтрует нарушения порядка с помощью дополнительных опций, заданных одним или несколькими Name,Value аргументы в виде пар. Для примера можно задать предварительный образец нарушения порядка и условных путей к отклонению.

Примеры

свернуть все

Открыть Live Script

Задайте модель GARCH (1,1) с Гауссовыми инновациями .

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

Симулируйте модель с помощью симуляции Монте-Карло. Затем стандартизируйте моделируемые 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);

Подтвердите, что выходы simulate и filter идентичны. 

isequal(v,V)
ans = logical
   1

Логическое значение 1 подтверждает, что эти два выхода идентичны.

Открыть Live Script

Задайте модель EGARCH (1,1) с Гауссовыми инновациями.

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

Симулируйте 25 серий стандартных Гауссовых наблюдений в течение 100 периодов.

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

Z представляет 25 путей синхронизированных нарушений порядка на 100 периодов.

Получите 25 путей условных отклонений путем фильтрации путей нарушения порядка через модель EGARCH (1,1).

V = filter(Mdl,Z);

Постройте график путей 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 Live Script

Задайте 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});

Симулируйте 25 серий стандартных Гауссовых наблюдений в течение 102 периодов.

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

Z представляет 25 путей синхронизированных нарушений порядка на 102 периода.

Получите 25, 100 периодических путей условных отклонений путем фильтрации нарушений порядка через модель GJR (1,2). Задайте первые два нарушений порядка как предварительные наблюдения.

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

Постройте график путей 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 параметры

свернуть все

Модель условного отклонения без каких-либо неизвестных параметров, заданная как garch, egarch, или gjr объект модели.

Mdl не может содержать никаких свойств, имеющих NaN значение.

Нарушения порядка, используемые для управления инновационным процессом, заданные в виде числового вектора или матрицы. Учитывая процесс отклонения σt2 и процесс нарушения порядка zt, инновационный процесс

εt=σtzt.

Как вектор-столбец, Z представляет один путь базового ряда нарушений порядка.

Как матрица, строки Z соответствуют периодам. Столбцы соответствуют отдельным путям. Наблюдения по любой строке происходят одновременно.

Последний элемент или строка Z содержит последнее наблюдение.

Примечание

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

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке 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 образец путей нарушения порядка, заданный как числовой вектор или матрица. Z0 предоставляет начальные значения для входного ряда нарушений порядка, Z.

  • Если Z0 является вектор-столбец, тогда filter применяет его к каждому выходному пути.

  • Если Z0 является матрицей, тогда она должна иметь как минимум столько столбцов, сколько Z. Если Z0 имеет больше столбцов, чем Z, затем filter использует первую size(Z,2) только столбцы.

Z0 должно иметь по крайней мере Mdl.Q строки для инициализации модели условного отклонения. Если количество строк в Z0 превышает Mdl.Q, затем filter использует только последнее необходимое количество наблюдений.

Последний элемент или строка содержит последнее наблюдение.

По умолчанию filter устанавливает любые необходимые предварительно выбранные нарушения порядка на независимую последовательность стандартизированных нарушений порядка, полученных из Mdl.Distribution.

Типы данных: double

Положительный перед выборкой путей условного отклонения, заданный в виде числового вектора или матрицы. V0 предоставляет начальные значения для условных отклонений в модели.

  • Если V0 является вектор-столбец, тогда filter применяет его к каждому выходному пути.

  • Если V0 является матрицей, тогда она должна иметь как минимум столько столбцов, сколько Z. Если V0 имеет больше столбцов, чем Z, затем filter использует первую size(Z,2) только столбцы.

V0 должно иметь по крайней мере max(Mdl.P,Mdl.Q) строки для инициализации уравнения отклонения. Если количество строк в V0 превышает необходимое число, тогда filter использует только последнее необходимое количество наблюдений.

Последний элемент или строка содержит последнее наблюдение.

По умолчанию, filter устанавливает любые необходимые предварительные условные отклонения для безусловного отклонения процесса.

Типы данных: double

Примечания

  • NaNs указывает отсутствующие значения. filter удаляет отсутствующие значения. Программное обеспечение объединяет предварительные данные (Z0 и V0) отдельно от нарушений порядка (Z), а затем использует списковое удаление, чтобы удалить строки, содержащие по крайней мере одну NaN. Удаление NaNs в данных уменьшает размер выборки. Удаление NaNs может также создавать неправильные временные ряды.

  • filter принимает, что вы синхронизируете данные предварительного образца таким образом, чтобы последнее наблюдение каждой серии предварительных образцов происходило одновременно.

Выходные аргументы

свернуть все

Условные пути к отклонению, возвращенные как вектор-столбец или матрица. V представляет условные отклонения среднего нуля, гетероскедастических инноваций, связанных с Y.

Размерности V и Z являются эквивалентными. Если Z является матрицей, затем столбцами V являются ли отфильтрованные пути условного отклонения, соответствующие столбцам Z.

Строки V являются периодами, соответствующими периодичности Z.

Пути отклика, возвращенные в виде числового вектора-столбца или матрицы. Y обычно представляет собой средние нулевые гетероскедастические временные ряды инноваций с условными отклонениями, приведенными в V.

Y может также представлять временные ряды среднего нуля, гетероскедастических инноваций плюс смещение. Если Mdl включает смещение, затем filter добавляет смещение к базовому среднему нулю, гетероскедастическим инновациям. Поэтому Y представляет собой временные ряды скорректированных по смещению инноваций.

Если Z является матрицей, затем столбцами Y - отфильтрованные пути отклика, соответствующие столбцам Z.

Строки Y являются периодами, соответствующими периодичности Z.

Альтернативы

filter делает вывод simulate. Обе функции фильтруют серию нарушений порядка, чтобы получить выходные отклики и условные отклонения. Однако simulate автогенерирует ряд средних нулевых, единичных дисперсий, независимых и идентично распределенных (iid) нарушений порядка согласно распределению в объекте модели условного отклонения, Mdl. Напротив, filter позволяет вам непосредственно задать свои собственные нарушения порядка.

Ссылки

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

[2] Боллерслев, Т. «Условно гетероскедастические Временные ряды модель для спекулятивных цен и ставок Возврата». Обзор экономики и статистики. Том 69, 1987, стр. 542-547.

[3] Бокс, Г. Е. П., Г. М. Дженкинс и Г. К. Рейнсел. Анализ временных рядов: прогнозирование и управление. 3-й эд. Englewood Cliffs, Нью-Джерси: Prentice Hall, 1994.

[4] Enders, W. Applied Econometric Time Series. Hoboken, NJ: John Wiley & Sons, 1995.

[5] Engle, R. F. «Авторегрессивная условная гетероскедастичность с оценками отклонения инфляции в Соединенном Королевстве». Эконометрика. Том 50, 1982, с. 987-1007.

[6] Гамильтон, Дж. Д. Анализ временных рядов. Princeton, NJ: Princeton University Press, 1994.

См. также

Объекты

Функции

Темы

Введенный в R2012a

Документация по Econometrics Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте