garch

GARCH条件方差时间序列模型

全部展开页面

描述

使用garch给出了一个单变量GARCH(广义自回归条件异方差)模型。的garch函数返回一个garch对象的函数形式GARCH (P，问)模型，并保存其参数值。

a的关键成分garch模型包括:

GARCH多项式，由滞后条件方差组成。程度用表示P．
ARCH多项式，由滞后平方创新构成。程度用表示问．

P和问分别为GARCH和ARCH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。

所有系数均为未知数(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(所有参数值已知的模型)，使用以下方法模拟或预测响应模拟或预测,分别。

创建

语法

Mdl = garch

Mdl = garch (P, Q)

Mdl = garch(名称、值)

描述

例子

Mdl= garch返回0度条件方差garch对象。

例子

Mdl= garch (P，问）创建GARCH条件方差模型对象(Mdl)用阶为的GARCH多项式P以及一次的ARCH多项式问．GARCH和ARCH多项式包含从1到其阶的所有连续滞后，所有系数为南值。

这种简写语法使您能够创建一个模板，在该模板中明确指定多项式次数。该模型模板适用于无约束参数估计，即不受任何参数相等约束的估计。然而，在创建模型之后，您可以使用点表示法更改属性值。

例子

Mdl= garch (名称,值）集属性或使用名称-值对参数的其他选项。把每个名字用引号括起来。例如,“ARCHLags”,[1 - 4],“拱”,{0.2 - 0.3}中的两个ARCH系数拱在落后1和4．

这种手工语法使您能够创建更灵活的模型。

输入参数

全部展开

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，要创建一个包含未知参数值的GARCH(1,2)模型，输入:

Mdl = garch(1、2);

要在估计期间对参数值施加等式约束，请设置适当的财产值使用点表示法。

`P`- - - - - -GARCH多项式程度
非负整数

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．

属性指定此参数garch(P, Q)简写语法。

如果P> 0，则必须指定问作为正整数。

例子:garch (1, 1)

数据类型:双

`问`- - - - - -拱多项式程度
非负整数

ARCH多项式的次数，指定为非负整数。在ARCH多项式中t， MATLAB从滞后中包含所有连续的平方创新项t- 1 through lagt- - - - - -问．

属性指定此参数garch(P, Q)简写语法。

如果P> 0，则必须指定问作为正整数。

例子:garch (1, 1)

数据类型:双

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

手工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,估计对任何已知参数施加等式约束。

例子:“ARCHLags”,[1 - 4],“拱”,{南南}指定一个GARCH(0,4)模型和未知但非零的滞后ARCH系数矩阵1和4．

`“GARCHLags”`- - - - - -GARCH多项式滞后
`1: P`(默认)|唯一正整数的数字向量

GARCH多项式滞后，指定为逗号分隔对，由“GARCHLags”和一个唯一正整数的数字向量。

GARCHLags (j）滞后是否与系数相对应GARCH {j｝．的长度GARCHLags和GARCH必须是相等的。

假设所有GARCH系数(由GARCH属性)为正数或南值,马克斯(GARCHLags)的值P财产。

例子:“GARCHLags”,[1 - 4]

数据类型:双

`“ARCHLags”`- - - - - -拱多项式滞后
`1:问`(默认)|唯一正整数的数字向量

ARCH多项式滞后，指定为逗号分隔对组成“ARCHLags”和一个唯一正整数的数字向量。

ARCHLags (j）滞后是否与系数相对应弓{j｝．的长度ARCHLags和拱必须是相等的。

假设所有ARCH系数(由拱属性)为正数或南值,马克斯(ARCHLags)的值问财产。

例子:“ARCHLags”,[1 - 4]

数据类型:双

属性

全部展开

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GARCH(1,1)模型，然后指定at自由度未知的创新分布，进入:

Mdl = garch(“GARCHLags”1“ARCHLags”,1);Mdl。分布=“t”;

`P`- - - - - -GARCH多项式程度
非负整数

此属性是只读的。

GARCH多项式的次数，指定为非负整数。PGARCH多项式的最大滞后系数是正的还是南．滞后小于P系数可以等于0。

P指定初始化模型所需的前样本条件方差的最小数目。

如果您使用名称-值对参数来创建模型，那么MATLAB将实现其中一种替代方法(假设最大延迟的系数为正或南）：

如果您指定GARCHLags,然后P是最大的指定延迟。
如果您指定GARCH,然后P指定值的元素数。如果你也指定GARCHLags,然后garch使用GARCHLags来确定P代替。
否则,P是0．

数据类型:双

`问`- - - - - -拱多项式程度
非负整数

此属性是只读的。

ARCH多项式的次数，指定为非负整数。问ARCH多项式的最大滞后系数是正的还是南．滞后小于问系数可以等于0。

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将实现其中一种替代方法(假设最大延迟的系数为正或南）：

如果您指定ARCHLags,然后问是最大的指定延迟。
如果您指定拱,然后问指定值的元素数。如果你也指定ARCHLags,然后garch用它的值来确定问代替。
否则,问是0．

数据类型:双

`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

`GARCH`- - - - - -GARCH多项式系数
正标量的细胞载体`南`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。
- 的长度GARCH和GARCHLags是相等的。
- GARCH {j｝是滞后系数吗GARCHLags (j）．
- 默认情况下,GARCH是一个元素个数(GARCHLags)-by-1细胞向量南值。
否则，需要满足以下条件。
- 的长度GARCH是P．
- GARCH {j｝是滞后系数吗j．
- 默认情况下,GARCH是一个P-by-1细胞向量南值。

的系数GARCH对应于底层的系数LagOp滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12或以下,garch排除该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
正标量的细胞载体`南`值

ARCH多项式系数，指定为正标量的细胞向量或南值。

如果您指定ARCHLags，则适用以下条件。
- 的长度拱和ARCHLags是相等的。
- 弓{j｝是滞后系数吗ARCHLags (j）．
- 默认情况下,拱是一个元素个数(ARCHLags)-by-1细胞向量南值。
否则，需要满足以下条件。
- 的长度拱是问．
- 弓{j｝是滞后系数吗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滞后算子多项式，并服从一个接近零的容忍排除测试。如果你把系数设为1 e-12或以下,garch排除该系数及其相应的滞后ARCHLags从模型。

数据类型:细胞

`UnconditionalVariance`- - - - - -模型的无条件方差
积极的标量

此属性是只读的。

模型无条件方差，指定为一个正标量。

无条件方差为

$σ_{ε}^{2} ＝ \frac{κ}{（ 1 - \sum_{我＝ 1}^{P} γ_{我} - \sum_{j ＝ 1}^{问} α_{j} ）} ．$

κ为条件方差模型常数(常数)．

数据类型:双

`抵消`- - - - - -创新平均模型补偿
`0`(默认)|数字标量|`南`

创新意味着模型的偏移量，或附加常数，指定为数值标量或南价值。

数据类型:双

`分布`- - - - - -创新过程的条件概率分布
`“高斯”`(默认)|`“t”`|结构数组

条件概率分布的创新过程，指定为字符串或结构数组。garch将值存储为结构数组。

分布	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“景深”字段指定t自由度分布参数。

景深> 2或景深＝南．
景深是有价值的。
如果您指定“t”，景深是南默认情况下。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，则必须指定“名字”和“景深”字段。

例子:结构(“名字”,“t”、“景深”,10)

`描述`- - - - - -模型描述
字符串标量|特征向量

模型描述，指定为字符串标量或字符向量。garch将值存储为字符串标量。例如，默认值描述模型的参数形式GARCH(1,1)条件方差模型(高斯分布)．

例子:“描述”、“模式1”

数据类型:字符串|字符

请注意

所有南-值模型参数，其中包括系数和t-创新-自由分配程度(如果存在)是可估计的。当你传递结果时garch对象和数据估计， MATLAB估计南有价值的参数。在评估期间,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。

对象的功能

`估计`	将条件方差模型与数据拟合
`过滤器`	通过条件方差模型过滤干扰
`预测`	根据条件方差模型预测条件方差
`推断出`	推断条件方差模型的条件方差
`模拟`	条件方差模型的蒙特卡罗模拟
`总结`	显示条件方差模型的估计结果

例子

全部折叠

创建默认GARCH模型

打开生活的脚本

创建一个默认的garch模型对象并使用点表示法指定其参数值。

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)”分布:Name = "高斯" P: 0 Q: 0 Constant: NaN GARCH: {} ARCH: {} Offset: 0

Mdl是一个garch模型。它包含一个未知常数，其偏移量为0，创新分布是“高斯”．该模型没有GARCH或ARCH多项式。

使用点符号为滞后1和2指定两个未知的ARCH系数。

Mdl。一个RCH = {NaN NaN}

描述:“garch(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] Offset: 0

的问和拱属性更新为2和{南南}．这两个ARCH系数与滞后1和2有关。

使用简写语法创建GARCH模型

打开生活的脚本

创建一个garch模型使用速记符号garch (P, Q),在那里PGARCH多项式的次数是多少问为ARCH多项式的次数。

创建一个GARCH(3,2)模型。

Mdl = garch (2)

描述:“garch(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] Offset: 0

Mdl是一个garch模型对象。所有的属性Mdl,除了P，问,分布,都是南值。默认情况下，软件:

包括一个条件方差模型常数
排除条件平均模型偏移量(即偏移量为)0）
包括所有滞后项的ARCH和GARCH滞后算子多项式直到滞后问和P分别

Mdl只指定GARCH模型的功能形式。因为它包含未知的参数值，所以可以传递Mdl和时间序列数据估计来估计参数。

用正手语法创建GARCH模型

打开生活的脚本

创建一个garch使用名称-值对参数进行建模。

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。指定偏移量为南．

Mdl = garch (“GARCHLags”, 1“ARCHLags”, 1“抵消”南)

描述:“garch(1,1)带偏移的条件方差模型(高斯分布)”分布:Name = "Gaussian" P: 1 Q: 1 Constant: NaN GARCH: {NaN} at lag [1] ARCH: {NaN} at lag [1] Offset: NaN

Mdl是一个garch模型对象。软件将所有参数(模型对象的属性)设置为南,除了P，问,分布．

自Mdl包含南值,Mdl仅适用于估算。通过Mdl和时间序列数据估计．

建立已知系数的GARCH模型

打开生活的脚本

建立具有平均偏移量的GARCH(1,1)模型，

$y_{t} ＝ 0 ． 5 + ε_{t} ，$

在哪里 $ε_{t} ＝ σ_{t} z_{t} ，$

$σ_{t}^{2} ＝ 0 ． 0001 + 0 ． 75 σ_{t - 1}^{2} + 0 ． 1 ε_{t - 1}^{2} ，$

和 $z_{t}$ 是一个独立的同分布标准高斯过程。

Mdl = garch (“不变”, 0.0001,“四国”, 0.75,．..“拱”, 0.1,“抵消”, 0.5)

描述:“garch(1,1)带偏移的条件方差模型(高斯分布)”分布:Name = "高斯" P: 1 Q: 1 Constant: 0.0001 GARCH: {0.75} at lag [1] ARCH: {0.1} at lag [1] Offset: 0.5

garch将默认值分配给未使用名称-值对参数指定的任何属性。

访问GARCH模型属性

打开生活的脚本

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 (2)

描述:“garch(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] Offset: 0

从模型中去掉第二个GARCH项。即，指定第二滞后条件方差的GARCH系数为0．

Mdl。GARCH {2} = 0

描述:“garch(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 3] ARCH: {NaN NaN} at lag [1 2] Offset: 0

GARCH多项式有两个未知参数，分别对应滞后1和3。

显示扰动的分布。

Mdl。分布

ans =结构体字段:名称:“高斯”

干扰为高斯分布，均值为0，方差为1。

说明潜在的身份识别干扰有t五自由度分布。

Mdl。分布=结构(“名字”，“t”，“景深”5)

描述:“garch(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] 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。一个RCH = {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 Constant: NaN GARCH: {NaN NaN} at lag [1 3] ARCH: {0.2 0.1} at lag [1 2] Offset: 0

要估计剩下的参数，您可以通过Mdl你的数据估计并使用指定的参数作为等式约束。或者，您可以指定其余的参数值，然后通过将完全指定的模型传递给，模拟或预测来自GARCH模型的条件方差模拟或预测,分别。

估计GARCH模型

打开生活的脚本

用GARCH模型拟合1922-1999年丹麦名义股票收益的年度时间序列。

加载Data_Danish数据集。绘制名义回报率(nr)．

负载Data_Danish；nr = DataTable.RN;图;情节(日期、nr);持有在；情节([日期(1)日期(结束)],[0 0),“:”）;%图y = 0持有从；标题(“丹麦名义股票回报”）;ylabel (的名义收益率(%)）;包含(“年”）;

图中包含一个坐标轴。标题为丹麦名义股票回报的轴包含2个类型为line的对象。

名义收益序列似乎有一个非零的条件平均抵消，似乎表现出波动聚类。也就是说，前几年的变异性比后几年小。对于本例，假设GARCH(1,1)模型适用于这个系列。

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，指定它为南．

Mdl = garch (“GARCHLags”, 1“ARCHLags”, 1“抵消”、南);

对数据拟合GARCH(1,1)模型。

EstMdl =估计(Mdl、nr);

GARCH(1,1)带偏移的条件方差模型(高斯分布):Value StandardError TStatistic PValue _________ _____________ __________ _________ Constant 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 Offset 0.11227 0.039214 2.8629 0.0041974

EstMdl是完全指定的garch模型对象。也就是说，它不包含南值。您可以通过使用生成残差来评估模型的充分性推断出，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GARCH模型观测值和条件方差

打开生活的脚本

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，根据估计进行模拟garch模型或已知的garch模型，在其中指定所有参数值。

加载Data_Danish数据集。

负载Data_Danish；nr = DataTable.RN;

建立一个条件平均偏移量未知的GARCH(1,1)模型。将模型与年度名义收益系列相匹配。

Mdl = garch (“GARCHLags”, 1“ARCHLags”, 1“抵消”、南);EstMdl =估计(Mdl、nr);

GARCH(1,1)带偏移的条件方差模型(高斯分布):Value StandardError TStatistic PValue _________ _____________ __________ _________ Constant 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 Offset 0.11227 0.039214 2.8629 0.0041974

从估计的GARCH模型中模拟每个时期的100条条件方差和响应路径。

numObs =元素个数(nr);%样本容量(T)numPaths = 100;%要模拟的路径数rng (1);%的再现性[VSim, YSim] =模拟(EstMdl numObs,“NumPaths”, numPaths);

VSim和YSim是T——- - - - - -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。

VSimBar =意味着(VSim, 2);VSimCI =分位数(VSim，[0.025 0.975]，2);YSimBar =意味着(YSim, 2);YSimCI =分位数(YSim，[0.025 0.975]，2);图;次要情节(2,1,1);h1 =情节(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);持有从；标题(模拟的条件方差的）;ylabel (的电导率。var。）;包含(“年”）;次要情节(2,1,2);h1 =情节(日期、YSim“颜色”, 0.8 *(1、3));持有在；h2 =情节(日期、YSimBar“k——”，“线宽”2);h3 =情节(日期、YSimCI“r——”，“线宽”2);持有从；标题(“模拟名义回报”）;ylabel (的名义收益率(%)）;包含(“年”）;传奇([h1 h2 (1) h3 (1)), {“模拟路径”“的意思是”“信心界限”}，．..“字形大小”7“位置”，“西北”）;

图中包含2个轴。标题为模拟条件方差的轴1包含103个类型为line的对象。标题为“模拟名义返回”的轴2包含103个类型为line的对象。这些对象表示模拟路径，均值，置信界限。

预测GARCH模型条件方差

打开生活的脚本

预测从一个完全指定的条件方差garch模型对象。也就是说，根据估计做出的预测garch模型或已知的garch模型，在其中指定所有参数值。下面的例子是估计GARCH模型．

加载Data_Danish数据集。

负载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，并将该模型拟合到年、名义收益率序列。

Mdl = garch (“GARCHLags”, 1“ARCHLags”, 1“抵消”、南);EstMdl =估计(Mdl、nr);

GARCH(1,1)带偏移的条件方差模型(高斯分布):Value StandardError TStatistic PValue _________ _____________ __________ _________ Constant 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 Offset 0.11227 0.039214 2.8629 0.0041974

利用估计的GARCH模型预测未来10年的名义收益序列的条件方差。指定整个返回序列作为前样例观察。该软件推断前样本条件方差使用前样本观察和模型。

numPeriods = 10;vF =预测(EstMdl numPeriods, nr);

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 nr);图;情节(日期、v、凯西:”，“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(“名义收益的预测条件方差”）;ylabel (“有条件的差异”）;包含(“年”）;传奇({“估计样品电导率。var。，预测电导率。var。}，．..“位置”，“最佳”）;

图中包含一个坐标轴。标题为“名义收益的预测条件方差”的轴包含两个类型为line的对象。这些对象代表估计样本第二。var,预测电导率。var . .

变量	描述	财产
μ	创新意味着模型常量偏移	`“抵消”`
κ> 0	条件方差模型常数	`“不变”`
$γ_{我} \geq 0$	GARCH分量系数	`“四国”`
$α_{j} \geq 0$	拱分量系数	`“拱”`
z_t	一系列均值为0，方差为1的独立随机变量	`“分布”`

提示

你可以指定garch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．

参考文献

Tsay, r.s。金融时间序列分析．第三版。霍博肯，新泽西州:约翰威利父子公司，2010。

garch

描述

创建

语法

描述

输入参数

`P`- - - - - -GARCH多项式程度
非负整数

`问`- - - - - -拱多项式程度
非负整数

`“GARCHLags”`- - - - - -GARCH多项式滞后
`1: P`(默认)|唯一正整数的数字向量

`“ARCHLags”`- - - - - -拱多项式滞后
`1:问`(默认)|唯一正整数的数字向量

属性

`P`- - - - - -GARCH多项式程度
非负整数

`问`- - - - - -拱多项式程度
非负整数

`常数`- - - - - -条件方差模型常数
`南`(默认)|积极的标量

`GARCH`- - - - - -GARCH多项式系数
正标量的细胞载体`南`值

`拱`- - - - - -拱多项式系数
正标量的细胞载体`南`值

`UnconditionalVariance`- - - - - -模型的无条件方差
积极的标量

`抵消`- - - - - -创新平均模型补偿
`0`(默认)|数字标量|`南`

`分布`- - - - - -创新过程的条件概率分布
`“高斯”`(默认)|`“t”`|结构数组

`描述`- - - - - -模型描述
字符串标量|特征向量

对象的功能

例子

创建默认GARCH模型

使用简写语法创建GARCH模型

用正手语法创建GARCH模型

建立已知系数的GARCH模型

访问GARCH模型属性

估计GARCH模型

模拟GARCH模型观测值和条件方差

预测GARCH模型条件方差

更多关于

GARCH模型

提示

参考文献

另请参阅

对象

主题

计量经济学工具文档

万博1manbetx

用MATLAB建模财务风险的实用指南

garch

描述

创建

语法

描述

输入参数

P- - - - - -GARCH多项式程度非负整数

问- - - - - -拱多项式程度非负整数

“GARCHLags”- - - - - -GARCH多项式滞后1: P(默认)|唯一正整数的数字向量

“ARCHLags”- - - - - -拱多项式滞后1:问(默认)|唯一正整数的数字向量

属性

P- - - - - -GARCH多项式程度非负整数

问- - - - - -拱多项式程度非负整数

常数- - - - - -条件方差模型常数南(默认)|积极的标量

GARCH- - - - - -GARCH多项式系数正标量的细胞载体南值

拱- - - - - -拱多项式系数正标量的细胞载体南值

UnconditionalVariance- - - - - -模型的无条件方差积极的标量

抵消- - - - - -创新平均模型补偿0(默认)|数字标量|南

分布- - - - - -创新过程的条件概率分布“高斯”(默认)|“t”|结构数组

描述- - - - - -模型描述字符串标量|特征向量

对象的功能

例子

创建默认GARCH模型

使用简写语法创建GARCH模型

用正手语法创建GARCH模型

建立已知系数的GARCH模型

访问GARCH模型属性

估计GARCH模型

模拟GARCH模型观测值和条件方差

预测GARCH模型条件方差

更多关于

GARCH模型

提示

参考文献

另请参阅

对象

主题

计量经济学工具文档

万博1manbetx

用MATLAB建模财务风险的实用指南

`P`- - - - - -GARCH多项式程度
非负整数

`问`- - - - - -拱多项式程度
非负整数

`“GARCHLags”`- - - - - -GARCH多项式滞后
`1: P`(默认)|唯一正整数的数字向量

`“ARCHLags”`- - - - - -拱多项式滞后
`1:问`(默认)|唯一正整数的数字向量

`P`- - - - - -GARCH多项式程度
非负整数

`问`- - - - - -拱多项式程度
非负整数

`常数`- - - - - -条件方差模型常数
`南`(默认)|积极的标量

`GARCH`- - - - - -GARCH多项式系数
正标量的细胞载体`南`值

`拱`- - - - - -拱多项式系数
正标量的细胞载体`南`值

`UnconditionalVariance`- - - - - -模型的无条件方差
积极的标量

`抵消`- - - - - -创新平均模型补偿
`0`(默认)|数字标量|`南`

`分布`- - - - - -创新过程的条件概率分布
`“高斯”`(默认)|`“t”`|结构数组

`描述`- - - - - -模型描述
字符串标量|特征向量