过滤器
通过条件方差过滤干扰模型
描述
例子
通过GARCH模型模拟和过滤干扰路径
指定一个GARCH(1,1)模型和高斯的创新。
Mdl = garch (“不变”,0.005,“四国”,0.8,“拱”,0.1);
使用蒙特卡罗模拟法模拟模型。然后,标准化模拟创新和过滤。
rng (1);%的再现性(v, e) =模拟(Mdl, 100,“E0”0,“半”,0.05);Z = e /√(v);(V, E) =过滤器(Mdl, Z,“Z0”0,“半”,0.05);
确认的输出模拟和过滤器都是相同的。
isequal (v, v)
ans =逻辑1
逻辑值1确认这两个输出是相同的。
通过EGARCH模型筛选多个干扰路径
指定一个EGARCH(1,1)模型和高斯的创新。
Mdl = egarch (“不变”,-0.1,“四国”,0.8,“拱”,0.3,…“杠杆”,-0.05);
模拟25系列标准高斯观察100期。
rng (1);%的再现性25 Z = randn (100);
Z100年代表25路径的同步扰动周期。
获得25路径的条件方差过滤干扰路径通过EGARCH(1,1)模型。
V =过滤器(Mdl, Z);
情节的道路条件方差。
图;情节(V);标题(“条件方差路径”);包含(“时间”);
过滤干扰通过GJR模型指定Presample观察
指定一个GJR(1,2)模型和高斯的创新。
Mdl = gjr (“不变”,0.005,“四国”,0.8,“拱”{0.1 - 0.01},…“杠杆”{0.05 - 0.01});
模拟25系列标准高斯观察102期。
rng (1);%的再现性25 Z = randn (102);
Z102年代表25路径的同步扰动周期。
获得25,100年期间路径的条件方差过滤干扰路径通过GJR模型(1、2)。前两个干扰指定为presample观察。
V =过滤器(Mdl, Z(3:最终,:)“Z0”Z (1:2));
情节的道路条件方差。
图;情节(V);标题(“条件方差路径”);包含(“时间”);
输入参数
输出参数
选择
过滤器概括模拟。两个函数过滤一系列干扰产生输出响应和条件方差。然而,模拟unit-variance autogenerates一系列均值为0,独立同分布(iid)干扰根据条件方差的分布模型对象,Mdl。相比之下,过滤器让你直接指定自己的干扰。
引用
[1]Bollerslev, t .“广义自回归条件异方差性。”计量经济学杂志》上。31卷,1986年,页307 - 327。
[2]Bollerslev, t .“有条件地Heteroskedastic投机性价格和时间序列模型的回报。”经济学和统计学的评审。69卷,1987年,页542 - 547。
[3],g . e . P。,G. M. Jenkins, and G. C. Reinsel.时间序列分析:预测与控制。第三。恩格尔伍德悬崖,新泽西:普伦蒂斯霍尔,1994年。
恩德斯[4],W。应用计量经济学时间序列。新泽西州霍博肯:约翰威利& Sons, 1995。
[5]·恩格尔,r . f .“自回归条件异方差性与英国通货膨胀率的方差的估计。”费雪。50卷,1982年,页987 - 1007。
汉密尔顿[6],j . D。时间序列分析。普林斯顿,纽约:普林斯顿大学出版社,1994年。
