条件方差时间序列模型
用gjr
来指定一个单变量GJR (Glosten, Jagannathan,和Runkle)模型。的gjr
函数返回一个gjr
对象的函数形式GJR (P,问)模型,并存储其参数值。
a的关键组成部分gjr
模型包括:
加入多项式,由滞后条件差异组成。程度是表示的P.
ARCH多项式,由滞后平方创新构成。
杠杆多项式,由滞后平方,负创新组成。
拱门和杠杆多项式的最大值,表示为问.
P是GARCH多项式中的最大非零滞后,问是ARCH和杠杆多项式的最大非零滞后。其他模型成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。
所有系数都是未知的(南
值)和可估计的,除非您使用名称-值对参数语法指定它们的值。要估计包含给定数据的全部或部分未知参数值的模型,使用估计
.对于完全指定的模型(已知所有参数值的型号),模拟或预测使用模拟
或预测
,分别。
返回零度条件方差MDL.
= gjrgjr
对象。
简写语法为您提供了一种简单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,要创建包含未知参数值的GJR(1,2)模型,输入:
mdl = gjr(1,2);
P
- - - - - -GARCH多项式程度GARCH多项式的次数,指定为非负整数。在GARCH多项式和时间t, MATLAB®包括所有来自滞后的连续条件方差项t- 1 through lagt- - - - - -P
.
您可以使用该参数使用该参数指定此参数gjr
(P, Q)
简写语法。
如果P
> 0,然后你必须指定问
作为一个正整数。
例子:gjr (1, 1)
数据类型:双倍的
问
- - - - - -拱多项式ARCH多项式的次数,指定为非负整数。在ARCH多项式中t, MATLAB包括所有连续的平方创新项(ARCH多项式)和平方,负创新项(杠杆多项式)从滞后t- 1 through lagt- - - - - -问
.
您可以使用该参数使用该参数指定此参数gjr
(P, Q)
简写语法。
如果P
> 0,然后你必须指定问
作为一个正整数。
例子:gjr (1, 1)
数据类型:双倍的
指定可选的逗号分隔的对名称,价值
论点。的名字
参数名和价值
为对应值。的名字
必须出现在引号内。您可以以任何顺序指定多个名称和值对参数name1,value1,...,namen,valuen
.
Longhand语法使您可以创建一些已知某些或所有系数的模型。在估计期间,估计
对任何已知参数施加等式约束。
“ARCHLags”,[1 - 4],“拱”,{南南}
指定一个GJR(0,4)模型和未知但非零的滞后ARCH系数矩阵1
和4
.
'garchlags'
- - - - - -加入多项式滞后1:P.
(默认)|独特正整数的数字矢量GARCH多项式滞后,指定为逗号分隔对组成'garchlags'
和一个独特的正整数的数字矢量。
garchlags(
滞后是否与系数相对应j
)GARCH {
.长度的j
}GARCHLags
和加油
必须是相等的。
假设所有GARCH系数(由此指定)加油
属性)为正数或南
值,Max(Garchlags)
的值P
财产。
例子:“GARCHLags”,[1 - 4]
数据类型:双倍的
“ARCHLags”
- - - - - -拱多项式滞后1:Q.
(默认)|独特正整数的数字矢量ARCH多项式滞后,指定为逗号分隔对组成“ARCHLags”
和一个独特的正整数的数字矢量。
ARCHLags (
滞后是否与系数相对应j
)拱{
.长度的j
}ARCHLags
和拱
必须是相等的。
假设所有拱门和杠杆系数(由此指定)拱
和杠杆作用
属性)是积极的或南
值,马克斯([ARCHLags LeverageLags])
的值问
财产。
例子:'archlags',[1 4]
数据类型:双倍的
'leveragelags'
- - - - - -杠杆多项式滞后1:Q.
(默认)|独特正整数的数字矢量利用多项式滞后,指定为逗号分隔对,由'leveragelags'
和一个独特的正整数的数字矢量。
LeverageLags (
滞后是否与系数相对应j
)利用{
.长度的j
}LeverageLags
和杠杆作用
必须是相等的。
假设所有拱门和杠杆系数(由此指定)拱
和杠杆作用
属性)是积极的或南
值,马克斯([ARCHLags LeverageLags])
的值问
财产。
例子:LeverageLags, 1:4
数据类型:双倍的
您可以在通过使用名称-值对参数语法创建模型对象时设置可写属性值,或者在通过使用点表示法创建模型对象之后设置可写属性值。例如,要创建一个系数未知的GJR(1,1)模型,然后指定at自由度未知的创新分布,进入:
Mdl = gjr(“GARCHLags”1“ARCHLags”,1);mdl.distribution.=“t”;
P
- - - - - -GARCH多项式程度此属性是只读的。
GARCH多项式的次数,指定为非负整数。P
GARCH多项式的最大滞后系数是正的还是南
.滞后小于P
可以具有等于0的系数。
P
指定初始化模型所需的预先定位条件差异的最小数量。
如果使用名称值对参数来创建模型,则Matlab实现其中一个替代方案(假设最大滞后的系数是正的或南
):
如果您指定GARCHLags
,然后P
是最大的指定滞后。
如果您指定加油
,然后P
是指定值的元素数。如果同时指定GARCHLags
,然后gjr
使用GARCHLags
来确定P
代替。
否则,P
是0
.
数据类型:双倍的
问
- - - - - -最大程度的拱门和杠杆多项式此属性是只读的。
ARCH和杠杆多项式的最大度,指定为非负整数。问
是拱门中的最大滞后和模型中的杠杆多项式。在任何类型的多项式,滞后率小于问
可以具有等于0的系数。
问
指定启动模型所需的样品创新的最小数量。
如果您使用名称-值对参数来创建模型,那么MATLAB将实现这些替代方案之一(假设ARCH和杠杆多项式中最大滞后的系数为正或南
):
如果您指定ARCHLags
或LeverageLags
,然后问
是两个规格之间的最大值。
如果您指定拱
或杠杆作用
,然后问
是两个规范之间元素的最大数目。如果你也指定ARCHLags
或LeverageLags
,然后gjr
使用它们的值来确定问
代替。
否则,问
是0
.
数据类型:双倍的
常数
- - - - - -条件方差模型常数南
(默认)|积极的标量条件方差模型常数,指定为正标量或南
价值。
数据类型:双倍的
加油
- - - - - -GARCH多项式系数南
价值GARCH多项式系数,指定为正标量的细胞向量或南
值。
如果您指定GARCHLags
,则适用以下条件。
长度的加油
和GARCHLags
是平等的。
GARCH {
是滞后系数j
}garchlags(
.j
)
默认情况下,加油
是一个元素个数(GARCHLags)
-by-1细胞向量南
值。
否则,以下条件适用。
的长度加油
是P
.
GARCH {
是滞后系数j
}j
.
默认情况下,加油
是一个P
-by-1细胞向量南
值。
的系数加油
对应于底层的系数LagOp
滞后运营商多项式,并受近零公差排除测试。如果你设置了一个系数1 e-12
或下面,gjr
不包括那种系数及其相应的滞后GARCHLags
从模型。
数据类型:细胞
拱
- - - - - -拱多项式系数南
价值拱形多项式系数,指定为正标量的细胞矢量或南
值。
如果您指定ARCHLags
,则适用以下条件。
长度的拱
和ARCHLags
是平等的。
拱{
是滞后系数j
}ARCHLags (
.j
)
默认情况下,拱
是一个问
-by-1细胞向量南
值。有关更多详细信息,请参阅问
财产。
否则,以下条件适用。
的长度拱
是问
.
拱{
是滞后系数j
}j
.
默认情况下,拱
是一个问
-by-1细胞向量南
值。
的系数拱
对应于底层的系数LagOp
滞后运营商多项式,并受近零公差排除测试。如果你设置了一个系数1 e-12
或下面,gjr
不包括那种系数及其相应的滞后ARCHLags
从模型。
数据类型:细胞
杠杆作用
- - - - - -利用多项式系数南
价值利用多项式系数,指定为数值标量或的单元格向量南
值。
如果您指定LeverageLags
,则适用以下条件。
长度的杠杆作用
和LeverageLags
是平等的。
利用{
是滞后系数j
}LeverageLags (
.j
)
默认情况下,杠杆作用
是一个问
-by-1细胞向量南
值。有关更多详细信息,请参阅问
财产。
否则,以下条件适用。
的长度杠杆作用
是问
.
利用{
是滞后系数j
}j
.
默认情况下,杠杆作用
是一个问
-by-1细胞向量南
值。
的系数杠杆作用
对应于底层的系数LagOp
滞后运营商多项式,并受近零公差排除测试。如果你设置了一个系数1 e-12
或下面,gjr
不包括那种系数及其相应的滞后LeverageLags
从模型。
数据类型:细胞
无条件
- - - - - -模型的无条件方差此属性是只读的。
模型无条件方差,指定为一个正标量。
无条件方差是
κ..条件方差模型常数(常数
)。
数据类型:双倍的
抵消
- - - - - -创新意味着模型偏移0
(默认)|数字标量|南
创新意味着模型偏移,或附加常数,指定为数字标量或南
价值。
数据类型:双倍的
分配
- - - - - -有条件概率分布创新过程“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阵列。gjr
将值存储为结构数组。
分配 | 字符串 | 结构数组 |
---|---|---|
高斯 | “高斯” |
结构(“名字”,“高斯”) |
学生的t | “t” |
结构(“名字”,“t”,景深,景深) |
的'DOF'
字段指定t自由度分布参数。
DOF.
> 2或DOF.
=南
.
DOF.
是可评估的。
如果您指定“t”
,DOF.
是南
默认情况下。您可以在创建模型之后通过使用点表示法更改它的值。例如,Mdl.Distribution.DoF = 3
.
如果您提供一个结构数组来指定Student的t分布,然后您必须指定“名字”
和'DOF'
字段。
例子:结构(“名字”,“t”、“景深”,10)
描述
- - - - - -模型描述模型描述,指定为字符串标量或字符向量。gjr
将值存储为字符串标量。例如,默认值描述了模型的参数形式“GJR(1,1)条件方差模型(高斯分布)”
.
数据类型:字符串
|char
请注意
全部南
-值模型参数,其中包括系数和t-Inovation分布的自由度(如果存在)是可评估的。当你通过它的结果gjr
对象和数据到估计
, MATLAB估计南
- 值参数。在估计期间,估计
将已知参数视为等式约束,即,估计
将所有已知参数固定在其值上。
通常,拱形和杠杆多项式中的滞后是相同的,但它们的平等不是要求。不同的多项式发生:
任何一个弓{Q}
或利用{Q}
符合近乎零的排斥容忍度。在这种情况下,MATLAB从多项式中排除了相应的滞后。
通过指定指定不同长度的多项式ARCHLags
或LeverageLags
,或通过设置拱
或杠杆作用
财产。
在任一情况下,问
为两个多项式之间的最大滞后。
创建一个默认的gjr
模型对象并使用点表示法指定其参数值。
创建GJR(0,0)模型。
mdl = gjr.
MDL = GJR具有属性:描述:“GJR(0,0)条件方差模型(高斯分布)”分布:名称=“高斯”P:0 Q:0常数:南加赫:{} arch:{}杠杆:{偏移:0
MDL.
是一个gjr
模型对象。它包含一个未知常量,其偏移量为0
,创新分配是'高斯'
.该模型没有GARCH、ARCH或杠杆多项式。
使用点符号指定两个未知的拱形和两个未知的拱形系数,并且使用点表示法。
mdl.arch = {nan nan};MDL.LEVERAGE = {NAN NAN};MDL.
描述:“gjr(0,2)条件方差模型(高斯分布)”分布:Name = "Gaussian" P: 0 Q: 2 Constant: NaN GARCH: {} ARCH: {NaN NaN} at lag [1 2] Leverage: {NaN NaN} at lag [1 2] Offset: 0
的问
,拱
, 和杠杆作用
属性更新2
,{南南}
, 和{南南}
,分别。两个拱形和杠杆系数与滞后1和2相关联。
创建一个gjr
模型对象使用速记表示法gjr(p,q)
, 在哪里P
GARCH多项式的次数是多少问
是拱形和杠杆多项式的程度。
创建GJR(3,2)模型。
Mdl=gjr(3,2)
描述:“gjr(3,2)条件方差模型(高斯分布)”分布:Name = "高斯" P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lag [1 2 3] ARCH: {NaN NaN} at lag [1 2] Leverage: {NaN NaN} at lag [1 2] Offset: 0
MDL.
是一个gjr
模型对象。所有的属性MDL.
, 除了P
,问
, 和分配
,都是南
值。默认情况下,软件:
包括条件方差模型常数
排除有条件的均值模型偏移(即,偏移量是0
)
包括GARCH多项式中直到滞后的所有滞后项P
包括拱门中的所有滞后条款,并利用多项式延迟问
MDL.
仅指定GJR模型的功能形式。因为它包含未知的参数值,所以可以通过MDL.
和时间序列数据估计
估计参数。
创建一个gjr
使用名称-值对参数进行建模。
指定GJR(1,1)模型。
mdl = gjr('garchlags',1,“ARCHLags”,1,'leveragelags'1)
描述:“gjr(1,1)条件方差模型(高斯分布)”分布:Name = "Gaussian" P: 1 Q: 1 Constant: NaN GARCH: {NaN} at lag [1] ARCH: {NaN} at lag [1] Leverage: {NaN} at lag [1] Offset: 0
MDL.
是一个gjr
模型对象。软件将所有参数设置为南
, 除了P
,问
,分配
, 和抵消
(这是0
默认情况下)。
自从MDL.
包含南
值,MDL.
仅适用于估算。通过MDL.
和时间序列数据估计
.
创建具有平均偏移量的GJR(1,1)模型
在哪里
和 是一个独立的同分布标准高斯过程。
mdl = gjr(“不变”, 0.0001,“四国”,0.35,...“拱”, 0.1,“抵消”, 0.5,'杠杆作用'0.01, 0.03 {0})
MDL = GJR具有属性:描述:“GJR(1,3)条件方差模型具有偏移量(高斯分布)”分布:名称=“高斯”P:1 Q:3常数:0.0001 GARCH:{0.35}在LAG [1]拱门:{0.1}滞后[1]杠杆:{0.03 0.01}在滞后[1 3]偏移量:0.5
gjr
将默认值分配给未使用名称-值对参数指定的任何属性。指定杠杆组件的另一种方法是'杠杆',{0.03 0.01},'Leveragelags',[1 3]
.
访问a的属性gjr
使用点表示法的模型对象。
创建一个gjr
模型对象。
Mdl=gjr(3,2)
描述:“gjr(3,2)条件方差模型(高斯分布)”分布:Name = "高斯" P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lag [1 2 3] ARCH: {NaN NaN} at lag [1 2] Leverage: {NaN NaN} at lag [1 2] Offset: 0
从模型中删除第二个GARCH术语。也就是说,指定第二滞后条件方差的GARCH系数是0
.
mdl.garch {2} = 0
Mdl=gjr,属性:Description:“gjr(3,2)条件方差模型(高斯分布)”分布:Name=“Gaussian”P:3 Q:2常数:NaN GARCH:{NaN NaN NaN}在滞后[13]拱:{NaN NaN}在滞后[12]杠杆:{NaN NaN NaN}在滞后[12]偏移量:0
GARCH多项式具有与滞后1和3对应的两个未知参数。
显示扰动的分布。
mdl.distribution.
ans =.结构与字段:名称:“高斯”
干扰为高斯分布,均值为0,方差为1。
指定潜在的干扰有一个t分布五自由。
mdl.distribution = struct(“名字”,“t”,'DOF'5)
描述:“gjr(3,2)条件方差模型(t分布)”分布:Name = "t", DoF = 5 P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lag [1 3] ARCH: {NaN NaN} at lag [1 2] Leverage: {NaN NaN} at lag [1 2] Offset: 0
指定第一次滞后的ARCH系数为0.2,第二次滞后的ARCH系数为0.1。
mdl.arch = {0.2 0.1}
描述:“gjr(3,2)条件方差模型(t分布)”分布:Name = "t", DoF = 5 P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lag [1 3] ARCH: {0.2 0.1} at lag [1 2] Leverage: {NaN NaN} at lag [1 2] Offset: 0
要估算剩余的参数,可以通过MDL.
和您的数据估计并使用指定的参数作为平等约束。或者,您可以通过将完全指定的模型传递给GADCH模型来指定参数值的其余部分,然后通过将完全指定的模型进行模拟或预测来自GADCH模型的条件方差模拟
或预测
,分别。
用GJR模型拟合1861-1970年股票价格指数回报率的年度时间序列。
加载Nelson-Plosser数据集。转换年度股票价格指数(SP
)返回。绘制返回。
负载data_nelsonplosser.;sp = price2ret(DataTable.sp);图;情节(日期(2:结束),SP);持有在;情节([日期(2)日期(结束)],[0 0),'r:');%图y = 0持有离开;标题('返回');ylabel (的回报率(%));包含(“年”);轴紧的;
返回序列似乎没有条件均值偏移,而且似乎表现出波动性聚类。也就是说,前几年的变异性比后几年小。对于本例,假设GJR(1,1)模型适用于该系列。
创建GJR(1,1)模型。条件平均偏移量默认为零。软件默认包含一个条件方差模型常数。
mdl = gjr('garchlags',1,“ARCHLags”,1,'leveragelags',1);
将GJR(1,1)模型适合数据。
EstMdl =估计(Mdl, sp);
GJR(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue _________ _____________ __________ ________ Constant 0.0045728 0.0044199 1.0346 0.30086 GARCH{1} 0.55808 0.24 2.3253 0.020057 ARCH{1} 0.20461 0.17886 1.144 0.25263 Leverage{1} 0.18066 0.26802 0.67406 0.50027
EstMdl
是完全指定的gjr
模型对象。也就是说,它不包含南
值。您可以通过使用残差来评估模型的充分性推断
,然后分析它们。
要模拟条件变化或响应,请通过EstMdl
来模拟
.
要预测创新,先过去EstMdl
来预测
.
模拟完全指定的条件方差或响应路径gjr
模型对象。也就是说,根据估计进行模拟gjr
模型或已知gjr
您指定所有参数值的模型。
加载Nelson-Plosser数据集。将年度股票价格指数转换为回报。
负载data_nelsonplosser.;sp = price2ret(DataTable.sp);
创建GJR(1,1)模型。使模型适合于返回系列。
mdl = gjr(1,1);EstMdl =估计(Mdl, sp);
GJR(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue _________ _____________ __________ ________ Constant 0.0045728 0.0044199 1.0346 0.30086 GARCH{1} 0.55808 0.24 2.3253 0.020057 ARCH{1} 0.20461 0.17886 1.144 0.25263 Leverage{1} 0.18066 0.26802 0.67406 0.50027
根据估计的GJR模型模拟100条条件方差和响应路径。
numObs =元素个数(sp);%样本容量(T)numPaths = 100;%要模拟的路径数rng(1);重复性的%[VSim,YSim]=模拟(EstMdl,numObs,'numpaths', numPaths);
VSim
和ysim
是T
-经过-numpaths.
矩阵。行对应一个采样周期,列对应一个模拟路径。
绘制模拟路径的平均值和97.5%和2.5%的百分比。将模拟统计数据与原始数据进行比较。
日期=日期(2:结束);vsimbar =均值(vsim,2);VSIMCI = Smianile(VSIM,[0.025 0.975],2);ysimbar =均值(ysim,2);ysimci = stantile(ysim,[0.025 0.975],2);图;子图(2,1,1);h1 = plot(日期,vsim,'颜色', 0.8 *(1、3));持有在;h2 =情节(日期、VSimBar“k——”,“线宽”2);h3 =情节(日期、VSimCI'r--',“线宽”2);持有离开;标题(模拟的条件方差的);ylabel ('条件。var。);包含(“年”);轴紧的;次要情节(2,1,2);h1 =情节(日期、YSim'颜色', 0.8 *(1、3));持有在;h2 = plot(日期,ysimbar,“k——”,“线宽”2);h3 = plot(日期,ysimci,'r--',“线宽”2);持有离开;标题(“模拟名义回报”);ylabel (的名义收益率(%));包含(“年”);轴紧的;图例([H1(1)H2 H3(1)],{'模拟路径'“中庸”“信心界限”},...“字形大小”7“位置”,“西北”);
预测来自完全指定的条件差异gjr
模型对象。也就是说,从估计的预测gjr
模型或已知gjr
您指定所有参数值的模型。
加载Nelson-Plosser数据集。转换年度股票价格指数(SP
)返回。
负载data_nelsonplosser.;sp = price2ret(DataTable.sp);
创建一个GJR(1,1)模型,并将其适合于返回系列。
mdl = gjr('garchlags',1,“ARCHLags”,1,'leveragelags',1);EstMdl =估计(Mdl, sp);
GJR(1,1)条件方差模型(高斯分布):值StandardError TStatistic PValue _________ _____________ __________ ________ Constant 0.0045728 0.0044199 1.0346 0.30086 GARCH{1} 0.55808 0.24 2.3253 0.020057 ARCH{1} 0.20461 0.17886 1.144 0.25263 Leverage{1} 0.18066 0.26802 0.67406 0.50027
使用估计的GJR模型预测10年来将来归还系列的条件方差。将整个返回系列指定为预先观察。该软件使用预先观察和模型infers infers预先条件差异。
numPeriods=10;vF=forecast(EstMdl,numPeriods,sp);
绘制名义收益的预测条件方差。将预测与观测到的条件方差进行比较。
v =推断(EstMdl, sp);nV =大小(v, 1);date = date ((end - nV + 1):end);图;情节(日期、v、'k:',“线宽”2);持有在;情节(日期(结束):日期(结束)+ 10 (v(结束);vF),“r”,“线宽”2);标题(“收益的预测条件方差”);ylabel (“有条件的差异”);包含(“年”);轴紧的;传奇({“估计样品电导率。Var。,预测电导率。var。},...“位置”,“西北”);
的Glosten, Jagannathan和Runkle (GJR)模型是一个动态模型,用于解决创新过程中的条件异方差或波动聚类。当创新过程没有显著的自相关,但过程的方差随时间变化时,就会发生波动聚类。
GJR模型是对GARCH模型的推广,适用于非对称波动率聚类建模[1].具体来说,模型假设当前条件方差是这些线性过程的和,系数为:
过去的条件方差(GARCH分量或多项式)。
过去的平方创新(拱组件或多项式)。
过去的平方,消极的创新(杠杆成分或多项式)。
考虑时间序列
在哪里 gjr(P,问条件方差过程, ,具有
该表显示了变量如何对应于的属性gjr
对象。在表中,我[x<0] = 1,否则为0。
多变的 | 描述 | 财产 |
---|---|---|
μ. | 创新意味着模型恒定偏移 | “抵消” |
κ..> 0 | 条件方差模型常数 | “不变” |
γ.j | GARCH组件系数 | “四国” |
α.j | 拱分量系数 | “拱” |
ξj | 杠杆分量系数 | '杠杆作用' |
zt | 具有平均0和方差1的独立随机变量系列 | “分布” |
对于实质性和积极性,GJR模型使用这些约束:
GJR模型适合在负面冲击促进挥发性而不是积极的冲击时[2].
如果所有杠杆系数均为零,则GJR模型简化为GARCH模型。因为GARCH模型嵌套在GJR模型中,所以可以使用似然比检验来比较GARCH模型拟合与GJR模型拟合。
您可以指定一个gjr
模型作为条件均值和方差模型组成的一部分。有关详细信息,请参见华宇电脑
.
[1] Glosten, L. R., R. Jagannathan, D. E. Runkle。“关于期望值与股票名义超额收益波动的关系”。金融杂志.卷。48,第5,1993,第5,199,PP。1779-1801。
Tsay, r.s。财务时间序列分析.第三版。霍博肯,新泽西州:约翰威利父子公司,2010。
有一个对应于MATLAB的代码:
把它扔进introduciéndolo然后把它扔进MATLAB。Los navegadores web no admit comandos de MATLAB。
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。