这个例子展示了如何通过绘制样本自相关函数(ACF)和部分自相关函数(PACF)来检查自相关的平方残差序列。然后,进行Ljung-Box Q-test,更正式地评估自相关。
加载数据。
加载工具箱中包含的纳斯达克数据。将每日收盘的综合指数系列转换为百分比回报系列。
负载Data_EquityIdx;y = DataTable.NASDAQ;r = 100 * price2ret (y);T =长度(r);figure plot(r) xlim([0,T]) title(“纳斯达克每日回报”)
回报率似乎在一个恒定水平上下波动,但表现出波动性聚集。回报的大变化往往聚集在一起,小变化往往聚集在一起。也就是说,该序列表现出条件异方差性。
回报的频率相对较高。因此,每天的变化可以很小。为了数值稳定性,对这些数据进行缩放是很好的实践。
绘制样本ACF和PACF。
绘制Squared Residual系列的样品ACF和PACF。
E = r -均值(r);Figure subplot(2,1,1) autocorr(e.^2) subplot(2,1,2) parcorr(e.^2)
样品ACF和PACF在平方残留系列中显示出显着的自相关。这表明挥发性聚类存在于残差系列中。
进行Ljung-Box q测试。
对滞后5和滞后10的平方残差序列进行Ljung-Box q检验。
(h p) = lbqtest (e。^ 2,'滞后', 5、10)
h =1 x2逻辑阵列1 1
p =1×20 0
两种检验均拒绝零假设(h = 1
).两个测试的p值为0
.因此,在滞后5(或10)之前,并非所有的自相关性都为零,这表明残差序列中的波动性聚类。
这个例子展示了如何对条件异方差进行恩格尔ARCH检验。
加载数据。
加载工具箱中包含的纳斯达克数据。将每日收盘的综合指数系列转换为百分比回报系列。
负载Data_EquityIdx;y = DataTable.NASDAQ;r = 100 * price2ret (y);T =长度(r);figure plot(r) xlim([0,T]) title(“纳斯达克每日回报”)
回报率似乎在一个恒定水平上下波动,但表现出波动性聚集。回报的大变化往往聚集在一起,小变化往往聚集在一起。也就是说,该序列表现出条件异方差性。
回报的频率相对较高。因此,每天的变化可以很小。为了数值稳定性,对这些数据进行缩放是很好的实践。
进行恩格尔ARCH试验。
利用备择假设中的两个滞后,对残差序列进行Engle的条件异方差ARCH检验。
E = r -均值(r);(h p fStat,暴击)= archtest (e,'滞后',2)
h =逻辑1
p = 0
函数= 399.9693
暴击= 5.9915
无效假设被断然拒绝(h = 1
,p = 0
),以支持ARCH(2)替代方案。检验的F统计量为399.97
的临界值,远远大于
两个自由度的分布,5.99
.
检验结果表明,残差序列中存在显著的波动性聚类。
archtest
|autocorr
|lbqtest
|parcorr