GJR模型
波动性聚类的Glosten-Jagannathan-Runkle GARCH模型
如果负面冲击比正面冲击对波动性的贡献更大，那么您可以使用GJR模型对创新过程进行建模，并包括杠杆效应。有关如何使用GJR模型对波动率聚类建模的详细信息，请参见gjr．
应用程序
| 计量经济学建模师 | 分析和建模计量经济时间序列 |
功能
主题
创建模型
- 交互式地指定单变量滞后算子多项式
使用计量经济建模器为时间序列模型估计指定单变量滞后算子多项式项。 - 指定GJR模型
创建GJR模型使用gjr或者econometrecmodeler应用。 - 修改条件方差模型的性质
使用点符号改变可修改的模型属性。 - 指定条件方差模型创新分布
指定高斯或分布式创新过程。 - 指定汇率的条件方差模型
为每日德国马克/英镑外汇汇率创建条件方差模型。 - 指定条件均值和方差模型
创建复合条件均值和方差模型。 - 条件方差模型
了解考虑波动聚类的模型。
数据拟合模型
- 使用计量经济模型分析时间序列数据
交互式可视化和分析单变量或多变量时间序列数据。 - 比较条件方差模型拟合统计使用计量经济学Modeler应用程序
交互式地指定GARCH、EGARCH和GJR模型并将其拟合到数据中。然后，通过比较拟合统计量来确定最适合数据的模型。 - 条件方差模型的似然比检验
拟合两个相互竞争的条件方差模型到数据，然后使用似然比检验比较它们的拟合。 - 估计条件均值和方差模型
估计一个复合条件均值和方差模型。 - 执行GARCH模型残差诊断使用计量模型建模应用程序
通过执行残差诊断，在将数据拟合到GARCH模型后，交互式地评估模型假设。 - 推断条件方差和残差
从拟合的条件方差模型中推断条件方差。 - 分享econometrecmodeler应用程序会话结果
导出变量到MATLAB®工作区，生成纯文本和实时函数，返回在应用程序会话中估计的模型，或生成一个报告，记录您在时间序列上的活动和在econometrecmodeler应用程序会话中估计的模型。 - 运用极值理论和copula评估市场风险
这个例子展示了如何使用学生t公式和极值理论(EVT)，用蒙特卡罗模拟技术对假设的全球股票指数投资组合的市场风险进行建模。 - 条件方差模型的最大似然估计
了解如何对条件方差模型执行最大似然。 - 具有等式约束的条件方差模型估计
在估计期间使用已知参数值约束模型。 - 条件方差模型估计的样本数据
指定样本数据来初始化模型。 - 条件方差模型估计的初始值
指定用于估计的初始参数值。 - 条件方差模型估计的优化设置
通过指定备选优化选项来排除估计问题。
生成蒙特卡罗模拟
- 模拟条件方差模型
模拟一个条件方差模型。 - 模拟GARCH模型
从GARCH过程中模拟有或没有指定样本数据的GARCH过程。 - 模拟条件均值和方差模型
从复合条件均值和方差模型模拟响应和条件方差。 - 条件方差模型的蒙特卡罗模拟
了解蒙特卡罗模拟。 - 条件方差模型模拟的样本数据
了解模拟的样品要求。
生成最小均方误差预测
- 预报GJR模式
从GJR模型生成MMSE预测。 - 预测条件方差模型
使用拟合条件方差模型预测德国马克/英镑汇率。 - 预测条件均值和方差模型
从复合条件均值和方差模型预测响应和条件方差。 - 条件方差模型的蒙特卡罗预测
学习蒙特卡罗预测。 - 条件方差模型的MMSE预测
了解MMSE预测。
