Exponenta Banner

Условные модели отклонения

GARCH, экспоненциал GARCH (EGARCH) и модели GJR

Условные модели отклонения пытаются обратиться к энергозависимости, кластеризирующейся в одномерных моделях временных рядов, чтобы улучшить оценки параметра и предсказать точность. К энергозависимости модели Econometrics Toolbox™ поддерживает обобщенное авторегрессивное условное выражение стандарта heteroscedastic модель (ARCH/GARCH), экспоненциальная модель GARCH (EGARCH), и Glosten, Jagannathan и модель Runkle (GJR).

Чтобы преобразовать от предыдущих условных синтаксисов анализа модели отклонения, смотрите Преобразование от Функций GARCH до Объектов модели.

Условные основы модели отклонения
  • Модель GARCH
    Обобщенные, авторегрессивные, условные heteroscedasticity модели для кластеризации энергозависимости
  • Модель EGARCH
    Экспоненциал, обобщенные, авторегрессивные, условные heteroscedasticity модели для кластеризации энергозависимости
  • Модель GJR
    Модель Glosten-Jagannathan-Runkle GARCH для кластеризации энергозависимости

Рекомендуемые примеры

Compare Conditional Variance Models Using Information Criteria

Сравните условные модели отклонения Используя информационные критерии

Сравните припадки нескольких условных моделей отклонения с помощью AIC и BIC.

Скрипт Open Live Script
Using Bootstrapping and Filtered Historical Simulation to Evaluate Market Risk

Используя начальную загрузку и фильтрованную историческую симуляцию, чтобы оценить риск рынка

Оцените риск рынка гипотетического глобального портфеля фондового индекса с помощью метода отфильтрованной исторической симуляции (FHS), альтернативы традиционной исторической симуляции и подходам симуляции Монте-Карло. FHS объединяется, относительно сложная основанная на модели обработка энергозависимости (GARCH) с непараметрической спецификацией вероятностного распределения активов возвращается. Одной из привлекательных функций FHS является своя способность сгенерировать относительно большие отклонения (потери, и усиления) не найденный в исходном портфеле возвращают ряд.

Открыть скрипт
Using Extreme Value Theory and Copulas to Evaluate Market Risk

Используя теорию экстремума и связки, чтобы оценить риск рынка

Смоделируйте риск рынка гипотетического глобального портфеля фондового индекса с методом симуляции Монте-Карло с помощью t связки и Теории экстремума (EVT) Студента. Процесс сначала извлекает отфильтрованные остаточные значения от каждого, возвращают ряд с асимметричной моделью GARCH, затем создает демонстрационную крайнюю кумулятивную функцию распределения (CDF) каждого актива с помощью Гауссовой оценки ядра для внутренней части и оценки обобщенного распределения Парето (GPD) для верхних и более низких хвостов. T связка Студента является затем подходящей к данным и используемая, чтобы вызвать корреляцию между симулированными остаточными значениями каждого актива. Наконец, симуляция оценивает Подверженный риску значения (VaR) гипотетического глобального портфеля акции по одному горизонту месяца.

Открыть скрипт

Документация Econometrics Toolbox

Поддержка