Exponenta Banner

filter

Пропустите воздействия через условную модель 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) воздействия фильтров (Z) через полностью заданную условную модель отклонения (Mdl) произвести условные отклонения (v) и ответы (y). Mdl может быть garch, egarch, или gjr модель.

пример

[V,Y] = filter(Mdl,Z,Name,Value) воздействия фильтров с помощью дополнительных опций заданы одним или несколькими Name,Value парные аргументы. Например, можно задать преддемонстрационное воздействие и условные пути к отклонению.

Примеры

свернуть все

Скрипт Open 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 симулированные инновации и отфильтруйте 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 выходные параметры simulate и filter идентичны. 

isequal(v,V)
ans = logical
   1

Логическое значение 1 подтверждает, что эти два выходных параметров идентичны.

Скрипт Open 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 рядов стандартных Гауссовых наблюдений в течение 100 периодов.

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

Z представляет 25 путей синхронизируемых воздействий в течение 100 периодов.

Получите 25 путей условных отклонений путем пропущения путей к воздействию через модель EGARCH(1,1).

V = filter(Mdl,Z);

Постройте пути условных отклонений.

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

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

Скрипт Open 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 рядов стандартных Гауссовых наблюдений в течение 102 периодов.

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

Z представляет 25 путей синхронизируемых воздействий в течение 102 периодов.

Получите 25, 100 путей к периоду условных отклонений путем пропущения путей к воздействию через модель GJR(1,2). Задайте первые два воздействия как преддемонстрационные наблюдения.

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

Постройте пути условных отклонений.

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

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

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.

Пути к воздействию раньше управляли инновационным процессом в виде числового вектора или матрицы. Учитывая процесс отклонения σt2 и процесс воздействия zt, инновационный процесс

εt=σtzt.

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

Как матрица, строки Z соответствуйте периодам. Столбцы соответствуют отдельным путям. Наблюдения через любую строку происходят одновременно.

Последний элемент или строка Z содержит последнее наблюдение.

Примечание

NaNs указывают на отсутствующие значения. filter удаляет эти значения из Z listwise удалением. Программное обеспечение удаляет любую строку Z по крайней мере с одним NaN. Удаление NaNs в данных уменьшает объем выборки и может также создать неправильные временные ряды.

Аргументы name-value

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: 'Z0',[1 1;0.5 0.5],'V0',[1 0.5;1 0.5] задает два эквивалентных преддемонстрационных пути инноваций и два, различные преддемонстрационные пути условных отклонений.

Преддемонстрационные пути к воздействию в виде числового вектора или матрицы. Z0 вводит начальные значения для входного ряда воздействия, Z.

  • Если Z0 вектор-столбец, затем filter применяет его к каждому выходу path.

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

Z0 должен иметь, по крайней мере, Mdl.Q строки, чтобы инициализировать условную модель отклонения. Если количество строк в Z0 превышает Mdl.Q, затем filter использует последнее необходимое количество наблюдений только.

Последний элемент или строка содержат последнее наблюдение.

По умолчанию, filter наборы любые необходимые преддемонстрационные воздействия к независимой последовательности стандартизированных воздействий, чертивших от Mdl.Distribution.

Типы данных: double

Положительные преддемонстрационные условные пути к отклонению в виде числового вектора или матрицы. V0 вводит начальные значения для условных отклонений в модели.

  • Если V0 вектор-столбец, затем filter применяет его к каждому выходу path.

  • Если V0 матрица, затем она должна иметь, по крайней мере, столько же столбцов сколько Z. Если V0 имеет больше столбцов, чем Zто filter использует первый size(Z,2) столбцы только.

V0 должен иметь, по крайней мере, max(Mdl.P,Mdl.Q) строки, чтобы инициализировать уравнение отклонения. Если количество строк в V0 превышает необходимый номер, затем filter использует последнее необходимое количество наблюдений только.

Последний элемент или строка содержат последнее наблюдение.

По умолчанию, filter наборы любые необходимые преддемонстрационные условные отклонения к безусловному отклонению процесса.

Типы данных: double

Примечания

  • NaNs указывают на отсутствующие значения. filter удаляет отсутствующие значения. Программное обеспечение объединяет преддемонстрационные данные (Z0 и V0) отдельно от воздействий (Z), и затем использует мудрое списком удаление, чтобы удалить строки, содержащие по крайней мере один NaN. Удаление NaNs в данных уменьшает объем выборки. Удаление NaNs может также создать неправильные временные ряды.

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

Выходные аргументы

свернуть все

Условные пути к отклонению, возвращенные как вектор-столбец или матрица. V представляет условные отклонения среднего нуля, heteroscedastic инновации, сопоставленные с Y.

Размерности V и Z эквивалентны. Если Z матрица, затем столбцы V отфильтрованные условные пути к отклонению, соответствующие столбцам Z.

Строки V периоды, соответствующие периодичности Z.

Пути к ответу, возвращенные как числовой вектор-столбец или матрица. Y обычно представляет средний нуль, heteroscedastic временные ряды инноваций с условными отклонениями, данными в V.

Y может также представлять временные ряды среднего нуля, heteroscedastic инновации плюс смещение. Если Mdl включает смещение, затем filter добавляет смещение к базовому среднему нулю, heteroscedastic инновации. Поэтому Y представляет временные ряды настроенных смещением инноваций.

Если Z матрица, затем столбцы Y отфильтрованные пути к ответу, соответствующие столбцам Z.

Строки Y периоды, соответствующие периодичности Z.

Альтернативы

filter делает вывод simulate. Обе функции фильтруют серию воздействий, чтобы произвести выходные ответы и условные отклонения. Однако simulate автоматически генерирует серию среднего нуля, модульного отклонения, независимых и тождественно распределенных (iid) воздействий согласно распределению в условном объекте модели отклонения, Mdl. В отличие от этого filter позволяет вам непосредственно задать свои собственные воздействия.

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] Гамильтон, J. D. Анализ Временных Рядов. Принстон, NJ: Издательство Принстонского университета, 1994.

Смотрите также

Объекты

Функции

Темы

Представленный в R2012a

Документация Econometrics Toolbox

Поддержка