主要内容

从GARCH函数模型对象

在R2014a,华宇电脑,garch,egarch,gjr替换模型和相关的功能garchfit,garchinfer,garchplot,garchpred,garchsim,garchcount,garchdisp,garchget,garchset功能。如果你使用老GARCH数据分析功能,那么你将得到一个错误。使用此页面上的信息,以帮助您将从旧到新的功能。

假设您想要分析一系列单变量y利用ARIMA(3, 4)模型和GARCH(1, 2)创新,和你有presample观察(y0)、创新(e0),有条件的标准偏差(sigma0)。此表显示了这两种方法来完成这样的分析。

一步 旧的功能 新功能
指定一个复合ARIMA-GARCH模型 
Mdl = garchset (‘M’‘R’, 3日,4日,…“P”,“问”,2);
 
Mdl = arima (3 0 4);VarMdl = garch (1、2);Mdl。方差= VarMdl;
检索模型属性 
“K”garchget (Mdl)
 
Mdl.Variance.Constant
将等式约束 
Mdl = garchset (Mdl,……“K”, 0.75, ' FixK ', 1);
 
Mdl.Variance.Constant= 0.75;
估计参数 
EstMdl = garchfit (Mdl y [],……e0、sigma0 y0);
 
[EstMdl, EstParamCov] =…评估(E0 Mdl y“E0”,…“半”,sigma0。^ 2, Y0, Y0)
计算拟合参数的数量 
numParams = garchcount (…EstMdl);
 
numParams =总和(任何(…EstParamCov));
推断出条件方差(sigma2)和获得loglikelihood (logL) 
[e,σ,logL] =…garchinfer (EstMdl y…[],e0 sigma0, y0);sigma2 =σ^ 2;
 
[e, sigma2 logL] =推断(…E0 EstMdl y“E0”,…“半”,sigma0。^ 2, Y0, Y0);
模拟观测 
simY = garchsim (EstMdl, 100);
 
simY =模拟(EstMdl, 100);
过滤干扰 
e = randn (100 1);simY = garchsim (EstMdl, [],…[],e);
 
e = randn (100 1);simY =过滤器(EstMdl e);
预测的观察 
= garchpred财政年度(EstMdl y…15);
 
=财政年度预测(EstMdl 15…Y0, y);

输入和输出的结构相似,但两个功能在某些方面有所不同。这个例子展示了如何确定两者之间的差异,并通过转换可能会帮助你。本例中没有显示如何复制模型之间的等价的结果,因为,一般来说,估计这两个功能之间可能有所不同。

假设您想要分析一系列单变量。你怀疑模型是一个ARIMA (2, 1) / GARCH(1,1)或ARIMA (1,1) / GARCH(1,1)模型,和想要测试模型与数据的吻合更好。变量代表了新功能的后缀1(例如,Mdl1),和那些年长的功能有后缀2(例如,Mdl2)。

  1. 模拟的数据从一个ARIMA(2, 1)模型和GARCH(1, 1)创新。

    %的新方法VarMdl1 = garch (“四国”,0.3,“拱”,0.2,“不变”,0.75);Mdl1 = arima (基于“增大化现实”技术的{0.5,0.3},“马”,-0.7,“不变”0,“方差”,VarMdl1);(y1, e1, v1) =模拟(Mdl1,100);%老方法Mdl2 = garchset (基于“增大化现实”技术的[0.5,0.3],“马”,-0.7,“C”0,…“四国”,0.3,“拱”,0.2,“K”,0.75);(e2, sd2, y2) = garchsim (Mdl2,100);

    的差异是:

    • Mdl1是一个华宇电脑对象,Mdl2是一个结构数组。

    • 模拟返回条件方差,而garchsim返回条件标准差。

    • 的新功能,您必须:

      • 使用单元阵列指定多个系数值。

      • 指定使用方差模型garch,egarch,或gjr。

  2. 指定模板模型用于估算。

    %的新方法VarMdl1 = garch (1,1);Mdl11 = arima (“ARLags”,1“MALags”,1“方差”,VarMdl1);Mdl12 = arima (“ARLags”1:2,“MALags”,1“方差”,VarMdl1);%老方法Mdl21 = garchset (“R”,1“米”,1“P”,1“问”,1“显示”,“关闭”);Mdl22 = garchset (“R”2,“米”,1“P”,1“问”,1“显示”,“关闭”);

    新功能的参数名称-值对“ARLags”和“MALags”设置多项式模型的条件。您必须指定每一项单独订单,它允许更灵活的规范。这些模型Mdl11和Mdl12有属性P和问对应于模型的自回归和移动平均订单。

  3. 每个模型的数据。

    %的新方法logL1 = (0, 0);% PreallocatenumParams1 = logL1;% Preallocate[EstMdl11, EstParamCov11 logl11] =估计(Mdl11, y1,“显示”,“关闭”);[EstMdl12, EstParamCov12 logl12] =估计(Mdl12, y1,“显示”,“关闭”);%老方法logL2 = (0, 0);% PreallocatenumParams2 = logL2;% Preallocate[EstMdl21, ~, logl12] = garchfit (Mdl21, y2);[EstMdl22, ~, logl22] = garchfit (Mdl22, y2);

    的估计功能:

    • 返回参数估计协方差矩阵而不是标准的错误。

    • 让你决定看到估计和优化信息,而不是当你设置指定模式。

  4. 数一数的拟合参数估计模型。

    %的新方法numParams11 =总和(任何(EstParamCov11));numParams21 =总和(任何(EstParamCov21));%老方法numParams12 = garchcount (EstMdl12);numParams22 = garchcount (EstMdl22);

    新功能不包含一个函数,计算拟合参数的数量估计模型。然而,如果在估计参数是固定的,那么软件集所有相应的方差和协方差参数估计0。计算拟合参数的新方法使用这个特性。

  5. 评估模型是更适当的使用信息标准。

    aic1 = aicbic (logL1 numParams1);aic2 = aicbic (logL2 numParams2);

另请参阅

对象

功能

相关的话题