这个例子展示了如何从VEC(问)模型。该示例将生成的预测与最小均方误差(MMSE)预测和来自VAR(问+1)等效于VEC的模型(问)模型。
假设具有H1 Johansen形式的VEC(2)模型恰当地描述了由1954年至1994年的短期、中期和长期债券利率组成的三维多元时间序列的动态。假设这个级数的协整秩为2。
加载Data_Canada
数据集。提取利率数据,它占据数据的第三列到最后一列。
负载Data_CanadaY = DataTable{: 3:结束};名称= DataTable.Properties.VariableNames(3:结束);T =大小(Y, 1)
T = 41
numSeries =大小(Y, 2)
numSeries = 3
用同样的图形绘制这个系列。
图绘制(日期,Y,“线宽”, 2)包含“年”;ylabel“百分比”;传奇(名称,“位置”,“西北”)标题'{bf加拿大利率,1954-1994}';轴紧网格在
创建一个协整秩为2的3D VEC(2)模型。
numLags = 2;r = 2;Mdl =结果(numSeries r numLags);
估计VEC(2)模型。
EstMdl =估计(Mdl Y);
默认情况下,估计
应用H1 Johansen表单并使用第一个问+ 1 = 3个观察值作为样本数据。
从估计的VEC模型生成蒙特卡罗预测在10年的水平使用模拟
.提供最新的三行数据来初始化预测,并指定生成1000条响应路径。
numPaths = 1000;地平线= 10;Y0 = Y ((end-2):最终,);rng (1);%的再现性YSimVEC =模拟(EstMdl地平线,“NumPaths”numPaths,“Y0”, Y0);
YSimVEC
是响应序列的模拟值的一个10 × 3 × 1000的数字数组。行对应预测视界中的时间段,列对应预测视界中的序列Y
,页面对应模拟路径
对所有路径上的每个时期和时间序列的预测方法进行估计。为每个时期和时间序列构建95%的预测区间。
YMCVEC =意味着(YSimVEC, 3);YMCVECCI =分位数(YSimVEC [0.025, 0.975], 3);
YMCVEC
是一个10 × 3的数字矩阵,包含每个时期(行)和时间序列(列)的蒙特卡罗预测。YMCVECCI
是一个10 × 3 × 2的数字数组,包含每个时间段(行)和时间序列(列)的绘制的2.5%和97.5%百分比(页)。
绘制有效样本观察、平均预测和95%百分位置信区间。
fDates = date (end) + (0:horizon)'; / /结束图;h1 =情节([日期;fDates(2:结束)]、[Y;YMCVEC),“线宽”2);甘氨胆酸h2 =;持有在h3 =情节(repmat (fDates 1 3), [Y (:,:);YMCVECCI (:,: 1)),“——”,...“线宽”2);h3(1)。颜色= h1 (1) .Color;h3(2)。颜色= h1 (2) .Color;h3(3)。颜色= h1 (3) .Color;h4 =情节(repmat (fDates 1 3), [Y (:,:);YMCVECCI (:: 2)),“——”,...“线宽”2);h4(1)。颜色= h1 (1) .Color;h4(2)。颜色= h1 (2) .Color;h4(3)。颜色= h1 (3) .Color;patch([fDates(1) fDates(1) fDates(end) fDates(end)],...[h2.YLim(1) h2.YLim(2) h2.YLim(1)],“b”,“FaceAlpha”(0.1)包含“年”) ylabel (“百分比”)标题('{\bf VEC模型蒙特卡罗预测}')轴紧网格在传奇(h1, DataTable.Properties.VariableNames(3:结束),“位置”,“最佳”);
利用估算的VEC模型估算10年范围内的MMSE预测预测
.提供最新的三行数据来初始化预测。返回预测和各自的多元均方误差。
[YMMSE, YMMSEMSE] =预测(EstMdl地平线,Y0);
YMMSE
为MMSE预测的10 × 3数值矩阵。行对应预测地平线的周期,列对应预测中的序列Y
.YMMSEMSE
是一个由3 × 3数字矩阵组成的10 × 1单元格向量。细胞内的基质j是估计的,多元的MSE的三个预测值在时期j.矩阵的对角线值为预测mse,非对角线值为预测协方差。
估计wald型95%的预测区间。绘制MMSE预测和预测区间。
YMMSECI = 0(地平线numSeries 2);%预先配置YMMSEMSE = cell2mat (cellfun (@ (x)诊断接头(x)的YMMSEMSE,“UniformOutput”、假));YMMSECI(:,: 1) = YMMSE - 1.96*sqrt(YMMSEMSE);YMMSECI(:,: 2) = YMMSE + 1.96*sqrt(YMMSEMSE); / /图;h1 =情节([日期;fDates(2:结束)]、[Y;YMMSE),“线宽”2);甘氨胆酸h2 =;持有在h3 =情节(repmat (fDates 1 3), [Y (:,:);YMMSECI (:,: 1)),“——”,...“线宽”2);h3(1)。颜色= h1 (1) .Color;h3(2)。颜色= h1 (2) .Color;h3(3)。颜色= h1 (3) .Color;h4 =情节(repmat (fDates 1 3), [Y (:,:);YMMSECI (:: 2)),“——”,...“线宽”2);h4(1)。颜色= h1 (1) .Color;h4(2)。颜色= h1 (2) .Color;h4(3)。颜色= h1 (3) .Color;patch([fDates(1) fDates(1) fDates(end) fDates(end)],...[h2.YLim(1) h2.YLim(2) h2.YLim(1)],“b”,“FaceAlpha”(0.1)包含“年”) ylabel (“百分比”)标题(“{\bf VEC模型MMSE预报}”)轴紧网格在传奇(h1, DataTable.Properties.VariableNames(3:结束),“位置”,“最佳”);
将估计的VEC(2)表示为VAR(3)模型。
EstMdlVAR = varm (EstMdl)
EstMdlVAR = varm with properties:描述:"AR- nonstationary three dimensional VAR(3) Model" SeriesNames: "Y1" "Y2" "Y3" NumSeries: 3 P: 3 Constant: [-1.73631 -0.313676 0.0649337]' AR: {3×3 matrices} at aglj [1 2 3] Trend: [3×1 vector of zero] Beta: [3×0 matrix] Covariance: [3×3 matrix]
MdlVAR
是一个varm
模型对象。
使用VAR模型估算10年范围内的MMSE预测预测
.提供最新的三行数据来初始化预测。返回预测和各自的多元均方误差。
[YMMSEVAR, YMMSEMSEVAR] =预测(EstMdlVAR地平线,Y0);
的尺寸YMMSEVAR
和YMMSEMSEVAR
是一样的YMMSE
和YMMSEMSE
,分别。
估计wald型95%的预测区间。绘制MMSE预测和预测区间。
YMMSEVARCI = 0(地平线numSeries 2);YMMSEMSEVAR = cell2mat (cellfun (@ (x)诊断接头(x)的YMMSEMSEVAR,“UniformOutput”、假));YMMSEVARCI(:,: 1) = YMMSE - 1.96*sqrt(YMMSEMSEVAR);YMMSEVARCI(:,: 2) = YMMSE + 1.96*sqrt(YMMSEMSEVAR);图;h1 =情节([日期;fDates(2:结束)]、[Y;YMMSE),“线宽”2);甘氨胆酸h2 =;持有在h3 =情节(repmat (fDates 1 3), [Y (:,:);YMMSEVARCI (:,: 1)),“——”,...“线宽”2);h3(1)。颜色= h1 (1) .Color;h3(2)。颜色= h1 (2) .Color;h3(3)。颜色= h1 (3) .Color;h4 =情节(repmat (fDates 1 3), [Y (:,:);YMMSEVARCI (:: 2)),“——”,...“线宽”2);h4(1)。颜色= h1 (1) .Color;h4(2)。颜色= h1 (2) .Color;h4(3)。颜色= h1 (3) .Color;patch([fDates(1) fDates(1) fDates(end) fDates(end)],...[h2.YLim(1) h2.YLim(2) h2.YLim(1)],“b”,“FaceAlpha”(0.1)包含“年”) ylabel (“百分比”)标题(“{\bf VAR模型MMSE预测}”)轴紧网格在传奇(h1, DataTable.Properties.VariableNames(3:结束),“位置”,“最佳”);
确认VEC和VAR模型的MMSE预测是相同的。
(YMMSE - YMMSEVAR)'*(YMMSE - YMMSEVAR) > eps
ans =3 x3逻辑阵列0 0 0 0 0 0 0 0
模型间的MMSE预测结果是一致的。