指定条件均值和方差模型
此示例显示了如何使用复合条件均值和方差模型指定阿里玛
。
加载数据
加载工具箱中包含的NASDAQ数据。将每日关闭复合索引系列转换为返回系列。
加载data_equitydxreturnstbl = Price2Ret(DataTable);t =高度(returnstbl);图图(returnstbl.nasdaq)轴紧的标题(“纳斯达克每日回报”)
回报似乎在恒定水平上波动,但表现出波动性聚类。回报的巨大变化往往聚集在一起,而小的变化往往会聚集在一起。也就是说,该系列表现出条件异方差。
回报的频率相对较高。因此,每日变化可能很小。对于数值稳定性,缩放此类数据是一个很好的做法。
将系列缩放为100,并将百分比回报率归为中心。
returnstbl.isiduals_nasdaq = 100*(returnstbl.nasdaq-均值(returnstbl.nasdaq));
检查自相关
绘制剩余系列的样品自相关函数(ACF)和部分自相关函数(PACF)。
图TileDlayout(2,1)Nexttile AutoCorr(returnstbl,datavariable =“ residuals_nasdaq”)nexttile parcorr(returnstbl,datavariable =“ residuals_nasdaq”)
自相关功能表明滞后时有明显的自相关。
测试自相关的重要性
在滞后5处进行ljung-box Q检测。
stattbl = lbqtest(returnstbl,datavariable =“ residuals_nasdaq”,滞后= 5)
stattbl =1×7桌h pvalue stat cvalue lags alpha dof _____ _____________________________________ ___ ___测试1 True 0.011956 14.652 11.07 5 0.05 5 5.05 5
无效的假设所有自相关均为0到滞后5均为拒绝(拒绝h = 1
)。
检查有条件的异质性。
绘制平方返回系列的样品ACF和PACF。
图TileDlayout(2,1)NextTile AutoCorr(returnstbl.isiduals_nasdaq。^2)NextTile Parcorr(returnstbl.isiduals_nasdaq。^2)
自相关函数显示出显着的串行依赖性,这表明该系列是有条件的异方差。
测试重大拱形效果
进行Engle的拱门测试。测试无条件异质性的无条件假设,以与具有两个滞后的ARCH模型的替代假设(局部等同于Garch(1,1)模型)。
stattbl = ArchTest(returnstbl,datavariable =“ residuals_nasdaq”,滞后= 2)
stattbl =1×6桌h pvalue stat cvalue lags alpha _____ ______ ______ ______ ______ ____ _____测试1 True 0 399.97 5.9915 2 0.05
零假设被拒绝以替代假设(h = 1
)。
指定条件均值和方差模型。
为中心纳斯达克百分比回报的条件平均值指定AR(1)模型,以及条件方差的GARCH(1,1)模型。这是形式的模型
在哪里 ,,,,
和 是一个独立且分布相同的标准化高斯过程。
condvarmdl = garch(1,1);mdl = arima(arlags = 1,方差= condvarmdl)
mdl =带有属性的Arima:描述:“ Arima(1,0,0)模型(高斯分布)”分布:name =“ Gaussian” P:1 D:0 Q:0 Q:0 Q:0常数:Nan Ar:{Nan} lag [1] SAR:{} MA:{} SMA:{}季节性:0 beta:[1×0]方差:[GARCH(1,1)模型]
模型输出表明Garch
模型存储在方差
属性阿里玛
模型,MDL
。