GARCH条件方差时间序列模型
使用GARCH
指定一个单变量GARCH(广义自回归条件异方差)模型。该GARCH
函数返回一个GARCH
对象指定的功能形式GARCH (P,Q)模型,并存储其参数值。
一个关键组成部分GARCH
模型包括:
由滞后条件方差组成的GARCH多项式。程度表示为P。
ARCH多项式,它是由滞后平方创新。程度表示为Q。
P和Q分别为GARCH和ARCH多项式的最大非零时滞。模型的其他组成部分包括创新均值模型偏移量、条件方差模型常数和创新分布。
所有的系数是未知(为NaN
值)和可估计的,除非使用名称-值对参数语法指定它们的值。若要估计包含给定数据全部或部分未知参数值的模型,请使用估计
。对于完全指定的模型(其中所有参数值都已知的模型),使用以下方法模拟或预测响应模拟
或预测
, 分别。
返回零度条件方差Mdl
= GARCHGARCH
对象。
简写语法为您提供了一种简便的方法来创建适合于不受限制的参数估计的模型模板。例如,为了创建一个GARCH(1,2)含有未知参数值的模式,输入:
MDL = GARCH(1,2);
P
-GARCH次多项式GARCH多项式度,指定为一个非负整数。在GARCH多项式和时间Ť,MATLAB®包括从滞后所有连续的条件方差术语Ť- 图1至滞后Ť-P
。
您可以使用指定此参数GARCH
(P,Q)
简写语法。
如果P
> 0,则必须指定Q
作为一个正整数。
例:GARCH(1,1)
数据类型:双
Q
-拱多项式程度ARCH多项式次,指定为一个非负整数。在ARCH多项式中,在时间上Ť,MATLAB包括来自滞后所有连续平方创新方面Ť- 图1至滞后Ť-Q
。
您可以使用指定此参数GARCH
(P,Q)
简写语法。
如果P
> 0,则必须指定Q
作为一个正整数。
例:GARCH(1,1)
数据类型:双
指定可选的用逗号分隔的对名称,值
参数。的名字
是参数的名称和价值
为对应值。的名字
必须出现在引号内。可以按任意顺序指定多个名称和值对参数名1,值1,...,NameN,值N
。
longhand语法使您能够创建一些或所有系数已知的模型。在评估期间,估计
强加任何已知的参数等式约束。
'ARCHLags',[1〜4], 'ARCH',{楠楠}
指定GARCH(0,4)模型和未知的,但非零,ARCH系数矩阵在滞后1
和4
。
“GARCHLags”
-GARCH多项式滞后1:P
(默认)|唯一正整数的数值向量GARCH多项式滞后,指定为逗号分隔对所组成的“GARCHLags”
和独特的正整数数值向量。
GARCHLags(
是对应于系数的滞后Ĵ
)GARCH {
。的长度Ĵ
}GARCHLags
和GARCH
必须相等。
设所有GARCH系数(由GARCH
属性)是正或为NaN
值,MAX(GARCHLags)
确定的值P
属性。
例:'GARCHLags',[1〜4]
数据类型:双
“ARCHLags”
-拱多项式滞后1:Q
(默认)|唯一正整数的数值向量ARCH多项式滞后,指定为逗号分隔的一对组成的“ARCHLags”
和独特的正整数数值向量。
ARCHLags (
是对应于系数的滞后Ĵ
)弓{
。的长度Ĵ
}ARCHLags
和拱
必须相等。
设所有拱系数(由拱
属性)是正或为NaN
值,MAX(ARCHLags)
确定的值Q
属性。
例:“ARCHLags”,[1 - 4]
数据类型:双
当您使用的名称 - 值对参数语法创建模型对象,你可以设置可写的属性值,或者在您通过使用点符号模型对象。例如,创建一个系数未知的GARCH(1,1)模型,然后指定aŤ未知自由度的创新分配,请输入:
MDL = GARCH( 'GARCHLags',1 'ARCHLags',1);Mdl.Distribution = “T”;
P
-GARCH次多项式此属性是只读的。
GARCH多项式度,指定为一个非负整数。P
GARCH多项式的最大滞后系数是正的还是为NaN
。落后于小于P
系数可以等于0。
P
指定初始化模型所需的压力条件方差的最小数目。
如果使用名称 - 值对参数创建模型,然后MATLAB实现这些选择之一(假设最大滞后的系数为正或为NaN
):
如果您指定GARCHLags
, 然后P
是中国最大的指定滞后。
如果您指定GARCH
, 然后P
为指定值的元素的数目。如果您还指定GARCHLags
, 然后GARCH
使用GARCHLags
来确定P
代替。
否则,P
是0
。
数据类型:双
Q
-拱多项式程度此属性是只读的。
ARCH多项式次,指定为一个非负整数。Q
最大滞后在ARCH多项式的系数是正的还是为NaN
。落后于小于Q
系数可以等于0。
Q
指定启动模型所需的最小压力创新数。
如果使用名称 - 值对参数创建模型,然后MATLAB实现这些选择之一(假设最大滞后的系数为正或为NaN
):
如果您指定ARCHLags
, 然后Q
是中国最大的指定滞后。
如果您指定拱
, 然后Q
为指定值的元素的数目。如果您还指定ARCHLags
, 然后GARCH
使用它的值来确定Q
代替。
否则,Q
是0
。
数据类型:双
常数
-条件方差模型常数为NaN
(默认)|正标量条件方差模型常数,指定为正标量或为NaN
价值。
数据类型:双
GARCH
-GARCH多项式系数为NaN
值GARCH多项式系数,指定为正标量的细胞载体或为NaN
值。
如果您指定GARCHLags
,那么以下条件适用。
的长度GARCH
和GARCHLags
是相等的。
GARCH {
滞后系数是多少Ĵ
}GARCHLags(
。Ĵ
)
默认情况下,GARCH
是numel(GARCHLags)
的×1细胞载体为NaN
值。
否则,以下条件适用。
长度GARCH
是P
。
GARCH {
滞后系数是多少Ĵ
}Ĵ
。
默认情况下,GARCH
是P
的×1细胞载体为NaN
值。
在系数GARCH
对应于底层的系数LagOp
滞后算子多项式,并有可能接近零容忍排斥试验。如果设置一个系数1 e-12
或以下,GARCH
排除系数,并在其相应的滞后GARCHLags
从模型。
数据类型:细胞
拱
-拱多项式系数为NaN
值ARCH多项式系数,指定为正标量的细胞载体或为NaN
值。
如果您指定ARCHLags
,那么以下条件适用。
的长度拱
和ARCHLags
是相等的。
弓{
滞后系数是多少Ĵ
}ARCHLags (
。Ĵ
)
默认情况下,拱
是numel(ARCHLags)
的×1细胞载体为NaN
值。
否则,以下条件适用。
长度拱
是Q
。
弓{
滞后系数是多少Ĵ
}Ĵ
。
默认情况下,拱
是Q
的×1细胞载体为NaN
值。
在系数拱
对应于底层的系数LagOp
滞后算子多项式,并有可能接近零容忍排斥试验。如果设置一个系数1 e-12
或以下,GARCH
排除系数,并在其相应的滞后ARCHLags
从模型。
数据类型:细胞
UnconditionalVariance
-模型条件方差此属性是只读的。
模型的无条件方差,指定为一个正标量。
无条件方差
κ为条件方差模型常数(常数
)。
数据类型:双
抵消
-创新均值模型偏移0
(默认)|数字标|为NaN
创新均值模型偏移量,或添加剂恒定,指定为数字标量或为NaN
价值。
数据类型:双
分布
-创新过程的条件概率分布“高斯”
(默认)|“t”
|结构阵列创新过程的条件概率分布,指定为字符串或结构数组。GARCH
将值存储为结构数组。
分布 | 串 | 结构数组 |
---|---|---|
高斯 | “高斯” |
结构(“名字”,“高斯”) |
学生们Ť | “t” |
结构(“名字”,“t”,景深,景深) |
该“景深”
字段指定Ť分布自由度参数。
自由度
> 2或自由度
=为NaN
。
自由度
是难能可贵的。
如果您指定“t”
,自由度
是为NaN
默认情况下。在创建模型之后,您可以使用点表示法来更改其值。例如,Mdl.Distribution。景深= 3
。
如果您提供一个结构数组来指定学生的Ť分布,则必须同时指定'名称'
和“景深”
领域。
例:结构(“名字”,“t”、“景深”,10)
描述
-型号说明模型描述,指定为字符串标量或字符向量。GARCH
存储值作为字符串标量。默认值描述了该模型的参数形式,例如“GARCH(1,1)条件方差模型(高斯分布)”
。
例:“说明”,“模式1”
数据类型:串
|烧焦
注意
所有为NaN
-值模型参数,包括系数和Ť- 创新分配自由度(如果存在的话),是可估计的。当你通过由此而来GARCH
对象和数据估计
,MATLAB估计所有为NaN
-valued参数。在评估期间,估计
已知参数如等式约束对待,即,估计
保持固定在它们的值的任何已知的参数。
创建一个默认GARCH
模型对象,并使用点符号指定其参数值。
创建一个GARCH(0,0)模型。
Mdl = garch
描述:“garch(0,0)条件方差模型(高斯分布)”Name = "Gaussian" P: 0 Q: 0常数:NaN GARCH: {} ARCH: {} Offset: 0
Mdl
是GARCH
模型。它包含一个未知常数,其偏移量为0
和创新分布“高斯”
。该模型没有一个GARCH或ARCH多项式。
指定使用点符号滞后一到两个两个未知ARCH系数。
Mdl.ARCH = {楠楠}
MDL = GARCH具有属性:说明: “GARCH(0,2)的条件方差模型(高斯分布)” 分布:名称= “高斯” P:0问:2常数:NaN的GARCH:{} ARCH:{楠楠}在滞后[1 2]偏移量:0
该Q
和拱
属性更新为2
和{南南}
。两个ARCH系数与滞后1和2相关联。
创建一个GARCH
模型采用速记符号GARCH(P,Q)
,其中P
是GARCH多项式的程度,Q
为拱多项式的次数。
创建一个GARCH(3,2)模型。
MDL = GARCH(3,2)
MDL = GARCH具有属性:说明: “GARCH(3,2)的条件方差模型(高斯分布)” 分布:名称= “高斯” P:3 Q:2常数:NaN的GARCH:{楠楠的NaN}在滞后[12 3] ARCH:{楠楠}在滞后[1 2]偏移量:0
Mdl
是GARCH
模型对象。所有的属性Mdl
,除了P
,Q
,分布
,都是为NaN
值。默认情况下,软件:
包括条件方差模型常数
排除条件平均模型偏移量(即偏移量为0
)
包括在ARCH和GARCH滞后运营商多项式所有的滞后项高达滞后Q
和P
, 分别
Mdl
仅指定一个GARCH模型的函数形式。因为它含有未知参数值,你可以通过Mdl
和时间序列数据估计
来估计参数。
创建一个GARCH
使用模型名称 - 值对的参数。
指定一个GARCH(1,1)模型。默认情况下,条件平均模型偏移量为零。指定偏移量为为NaN
。
Mdl = garch (“GARCHLags”1,“ARCHLags”1,“抵消”南)
描述:“garch(1,1)带偏移(高斯分布)的条件方差模型”分布:Name = "高斯" P: 1 Q: 1常数:NaN GARCH: {NaN} at lag [1] ARCH: {NaN} at lag [1] Offset: NaN
Mdl
是GARCH
模型对象。该软件将所有参数(模型对象的属性),以为NaN
,除了P
,Q
,分布
。
以来Mdl
包含为NaN
值,Mdl
仅适用于估计。通过Mdl
和时间序列数据估计
。
创建一个具有平均偏移量的GARCH(1,1)模型,
在哪里
和 是独立同分布的标准高斯过程。
Mdl = garch (“不变”,0.0001,“四国”,0.75,…'拱',0.1%,“抵消”, 0.5)
描述:“garch(1,1)带偏移(高斯分布)的条件方差模型”分布:Name = "Gaussian" P: 1 Q: 1 Constant: 0.0001 GARCH: {0.75} at lag [1] ARCH: {0.1} at lag [1] Offset: 0.5
GARCH
为未使用名称-值对参数指定的任何属性分配默认值。
访问a的属性GARCH
使用点表示法建模对象。
创建一个GARCH
模型对象。
MDL = GARCH(3,2)
MDL = GARCH具有属性:说明: “GARCH(3,2)的条件方差模型(高斯分布)” 分布:名称= “高斯” P:3 Q:2常数:NaN的GARCH:{楠楠的NaN}在滞后[12 3] ARCH:{楠楠}在滞后[1 2]偏移量:0
从模型中删除第二个GARCH项。即,指定第2滞后条件方差的GARCH系数为0
。
Mdl。GARCH {2} = 0
MDL = GARCH具有属性:说明: “GARCH(3,2)的条件方差模型(高斯分布)” 分布:名称= “高斯” P:3 Q:2常数:NaN的GARCH:{楠楠}在滞后[1 3] ARCH:{楠楠}在滞后[1 2]偏移量:0
该GARCH多项式具有对应于滞后1和3两个未知参数。
显示扰动的分布。
Mdl.Distribution
ans =结构体字段:名称:“高斯”
扰动是高斯均值为0,方差为1。
指定底层独立同分布干扰有Ť分布五个自由度。
Mdl.Distribution =结构('名称','T',“景深”,5)
描述:“garch(3,2)条件方差模型(t分布)”分布:Name = "t", DoF = 5p: 3q: 2常数:NaN GARCH: {NaN NaN} at lag [1 3] ARCH: {NaN NaN} at lag [1 2] Offset: 0
指定第一次滞后拱系数为0.2,第二次滞后拱系数为0.1。
Mdl.ARCH = {0.2 0.1}
描述:“garch(3,2)条件方差模型(t分布)”分布:Name = "t", DoF = 5 P: 3 Q: 2常数:NaN GARCH: {NaN NaN} at lag [1 3] ARCH: {0.2 0.1} at lag [1 2] Offset: 0
为了估计剩余的参数,你可以通过Mdl
与您的数据估计
并使用指定的参数等式约束。或者,您可以指定参数值的其余部分,然后由完全指定模型传递到从GARCH模型模拟或预报的条件方差模拟
或预测
, 分别。
用GARCH模型拟合丹麦名义股票收益从1922-1999年的年度时间序列。
加载Data_Danish
数据集。标称回报率(nr
)。
加载Data_Danish;NR = DataTable.RN;数字;图(日期,NR);保持在;图([时间(1)时间(结束)],[0 0],“:”);%剧情y = 0的保持从;标题(“丹麦名义股票回报”);ylabel ('名义收益率(%)');xlabel('年');
名义收益率序列似乎有一个非零条件均值偏移,似乎表现出波动聚类。也就是说,变化是前几年比它小的晚年。对于这个例子,假定一个GARCH(1,1)模型适合于这个系列。
创建一个GARCH(1,1)模型。条件平均偏移量默认为零。要估计偏移量,请指定它是为NaN
。
Mdl = garch (“GARCHLags”1,“ARCHLags”1,“抵消”、南);
适合GARCH(1,1)模型的数据。
EstMdl =估计(Mdl、nr);
GARCH(1,1)条件方差模型与偏移(高斯分布):值StandardError的TStatistic p值_________ _____________ __________ _________常数0.0044476 0.007814 0.56918 0.56923 GARCH {1} 0.84932 0.26495 3.2056 0.0013477 ARCH {1} 0.07325 0.14953 0.48986 0.62423 0.11227偏移0.039214 2.8629 0.0041974
EstMdl
是完全指定的GARCH
模型对象。也就是说,它不包含为NaN
值。您可以使用评估通过生成残差模型的充分性推断出
,然后进行分析。
为了模拟条件方差或响应,通EstMdl
来模拟
。
预测创新,通EstMdl
来预测
。
模拟完全指定的条件方差或响应路径GARCH
模型对象。也就是说,估计从模拟GARCH
模型或已知的GARCH
在您指定的所有参数值模型。
加载Data_Danish
数据集。
加载Data_Danish;NR = DataTable.RN;
创建一个具有未知条件平均偏移量的GARCH(1,1)模型。将模型与年度名义收益系列进行拟合。
Mdl = garch (“GARCHLags”1,“ARCHLags”1,“抵消”、南);EstMdl =估计(Mdl、nr);
GARCH(1,1)条件方差模型与偏移(高斯分布):值StandardError的TStatistic p值_________ _____________ __________ _________常数0.0044476 0.007814 0.56918 0.56923 GARCH {1} 0.84932 0.26495 3.2056 0.0013477 ARCH {1} 0.07325 0.14953 0.48986 0.62423 0.11227偏移0.039214 2.8629 0.0041974
从估计的GARCH模型中模拟100条条件方差路径和每个周期的响应。
numObs =元素个数(nr);%样品尺寸(T)numPaths = 100;的路径,以模拟%数RNG(1);%用于重现[VSIM,YSim] =模拟(EstMdl,numObs,“NumPaths”,numPaths);
VSIM
和YSim
是Ť
-通过-numPaths
矩阵。行对应一个样本周期,列对应一个模拟路径。
积的平均值和所述模拟路径的97.5%和2.5%百分位数。比较仿真统计原始数据。
VSimBar =平均(VSIM,2);VSimCI =位数(VSIM,[0.025 0.975],2);YSimBar =平均(YSim,2);YSimCI =位数(YSim,[0.025 0.975],2);数字;副区(2,1,1);H1 =图(日期,VSIM,'颜色',0.8 *也是(1,3));保持在;h2 =情节(日期、VSimBar'K--','行宽'2);h3 =情节(日期、VSimCI'R--','行宽'2);保持从;标题(“模拟条件方差”);ylabel ('条件。变种“。);xlabel('年');副区(2,1,2);H1 =图(日期,YSim,'颜色',0.8 *也是(1,3));保持在;H2 =图(日期,YSimBar,'K--','行宽'2);h3 =情节(日期、YSimCI'R--','行宽'2);保持从;标题(“模拟名义回报”);ylabel ('名义收益率(%)');xlabel('年');图例([H 1(1)H 2 H3(1)],{“模拟路径”'意思'“置信区间”},…'字体大小',7,“位置”,“西北”);
从一个完全指定的预测条件方差GARCH
模型对象。也就是说,从估计预测GARCH
模型或已知的GARCH
在您指定的所有参数值模型。该示例从如下估计GARCH模型。
加载Data_Danish
数据集。
加载Data_Danish;NR = DataTable.RN;
建立GARCH(1,1)与未知条件均值偏移模型,以及模型拟合年度,名义回报系列。
Mdl = garch (“GARCHLags”1,“ARCHLags”1,“抵消”、南);EstMdl =估计(Mdl、nr);
GARCH(1,1)条件方差模型与偏移(高斯分布):值StandardError的TStatistic p值_________ _____________ __________ _________常数0.0044476 0.007814 0.56918 0.56923 GARCH {1} 0.84932 0.26495 3.2056 0.0013477 ARCH {1} 0.07325 0.14953 0.48986 0.62423 0.11227偏移0.039214 2.8629 0.0041974
利用所估计的GARCH模型预测的名义回报率序列的条件方差10年到未来。指定整个收益率序列作为样品前观察。使用样品前观测和模型软件推断样品前条件方差。
numPeriods = 10;VF =预测(EstMdl,numPeriods,NR);
绘制名义收益率的预测条件方差。比较预测观测到的条件方差。
V =推断(EstMdl,NR);数字;图(日期,V,'K:','行宽'2);保持在;图(时间(结束):时间(结束)+ 10,[V(端部);室颤]'R','行宽'2);标题(“名义收益率的预测条件方差”);ylabel (“条件方差”);xlabel('年');传说({“估计样品电导率。变种“。,“预测COND。变种“。},…“位置”,'最好');
一种GARCH模型是一个动态模型,解决创新过程中的条件异方差或波动聚类问题。波动聚类发生在创新过程不表现出显著的自相关,但过程的方差随时间而变化的情况下。
GARCH模型假设当前的条件方差是这些线性过程的和,每一项的系数为:
过去的条件方差(GARCH分量或多项式)
过去平方创新(ARCH类成分或多项式)
创新均值和条件方差模型的常数偏移量
考虑时间序列
在哪里 在GARCH(P,Q条件方差过程, ,是否有表格
在滞后算符号,模型
属性的属性对应的变量GARCH
模型对象。
变量 | 描述 | 财产 |
---|---|---|
μ | 创新均值模型常数偏移 | “抵消” |
κ> 0 | 条件方差模型常数 | “不变” |
GARCH分量系数 | “四国” |
|
拱分量系数 | '拱' |
|
žŤ | 均值为0,方差为1的独立随机变量序列 | '分配' |
平稳性和积极性,GARCH模型使用这些约束:
恩格尔原ARCH(Q)模型相当于一个GARCH(0,Q)规范。
当同等大小的正冲击和负冲击对波动的影响相同时,GARCH模型是合适的[1]。
你可以指定GARCH
建模为条件均值和方差的模型组合物的一部分。有关详细信息,请参阅华宇
。
[1] Tsay, r。金融时间序列分析。第3版。新泽西州霍博肯市:John Wiley和Sons公司,2010。
我们可以从MATLAB中得出相应的结论:
Ejecute EL COMANDOintroduciéndolo带拉本塔纳去comandos日MATLAB。洛杉矶navegadores网络没有admiten comandos日MATLAB。
您也可以从以下列表中选择一个网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。