推断出
推断出条件方差的条件方差模型
描述
例子
推断GARCH模型条件方差
推断条件方差的GARCH(1,1)模型与已知系数。当你使用,然后不要使用presample数据,比较的结果推断出。
指定一个GARCH(1,1)模型与已知参数。101年模拟条件方差和响应(创新)模型。拨出第一次观察到从每个系列使用presample数据。
Mdl = garch (“不变”,0.01,“四国”,0.8,“拱”,0.15);rng默认的;%的再现性(vS, y) =模拟(Mdl, 101);y0 = y (1);v0 = vS (1);y = y(2:结束);v = vS(2:结束);图次要情节(2,1,1)情节(v)标题(“有条件的差异”次要情节(2,1,2)情节(y)标题(“创新”)
推断的条件方差y不使用presample数据。比较他们已知的条件方差(模拟)。
vI =推断(Mdl y);图绘制(1:10 0 v,“r”,“线宽”,2)在情节(1:10 0,vI,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差-没有Presamples”)举行从
注意到瞬态响应(差异)早期时期由于缺乏presample数据。
推断出条件方差使用储备品presample创新,y0。比较他们已知的条件方差(模拟)。
vE =推断(Mdl y“E0”,y0);图绘制(1:10 0 v,“r”,“线宽”,2)在情节(1:10 0、vE、凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差- Presample E”)举行从
有一个初略降低瞬态响应时间。
推断出条件方差使用储备品presample条件方差,半。比较他们已知的条件方差(模拟)。
签证官=推断(Mdl y“半”v0);图绘制(v)情节(1:10 0 v,“r”,“线宽”,2)在情节(1:10 0,签证官,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差- Presample V”)举行从
有一个小得多的瞬态响应早期的时期。
使用presample创新和推断条件方差条件方差。比较他们已知的条件方差(模拟)。
vEO =推断(Mdl y“E0”,y0,“半”v0);图绘制(v)情节(1:10 0 v,“r”,“线宽”,2)在vEO情节(1:10 0,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差Presamples”)举行从
当你使用足够presample创新和条件方差,推断条件方差的(没有瞬态响应)。
推断EGARCH模型条件方差
推断出的条件方差EGARCH(1,1)模型与已知系数。当你使用,然后不要使用presample数据,比较的结果推断出。
指定一个EGARCH(1,1)模型与已知参数。101年模拟条件方差和响应(创新)模型。拨出第一次观察到从每个系列使用presample数据。
Mdl = egarch (“不变”,0.001,“四国”,0.8,…“拱”,0.15,“杠杆”,-0.1);rng默认的;%的再现性(vS, y) =模拟(Mdl, 101);y0 = y (1);v0 = vS (1);y = y(2:结束);v = vS(2:结束);图次要情节(2,1,1)情节(v)标题(“有条件的差异”次要情节(2,1,2)情节(y)标题(“创新”)
推断的条件方差y不使用任何presample数据。比较他们已知的条件方差(模拟)。
vI =推断(Mdl y);图绘制(1:10 0 v,“r”,“线宽”,2)在情节(1:10 0,vI,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差-没有Presamples”)举行从
注意到瞬态响应(差异)早期时期由于缺乏presample数据。
推断出条件方差使用储备品presample创新,y0。比较他们已知的条件方差(模拟)。
vE =推断(Mdl y“E0”,y0);图绘制(1:10 0 v,“r”,“线宽”,2)在情节(1:10 0、vE、凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差- Presample E”)举行从
有一个初略降低瞬态响应时间。
推断使用预留presample方差条件方差,半。比较他们已知的条件方差(模拟)。
签证官=推断(Mdl y“半”v0);图绘制(v)情节(1:10 0 v,“r”,“线宽”,2)在情节(1:10 0,签证官,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差- Presample V”)举行从
瞬态响应几乎消除。
使用presample创新和推断条件方差条件方差。比较他们已知的条件方差(模拟)。
vEO =推断(Mdl y“E0”,y0,“半”v0);图绘制(v)情节(1:10 0 v,“r”,“线宽”,2)在vEO情节(1:10 0,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差Presamples”)举行从
当你使用足够presample创新和条件方差,推断条件方差的(没有瞬态响应)。
推断GJR模型条件方差
推断出从GJR条件方差(1,1)模型与已知系数。当你使用,然后不要使用presample数据,比较的结果推断出。
指定一个GJR(1,1)模型与已知参数。101年模拟条件方差和响应(创新)模型。拨出第一次观察到从每个系列使用presample数据。
Mdl = gjr (“不变”,0.01,“四国”,0.8,“拱”,0.14,…“杠杆”,0.1);rng默认的;%的再现性(vS, y) =模拟(Mdl, 101);y0 = y (1);v0 = vS (1);y = y(2:结束);v = vS(2:结束);图次要情节(2,1,1)情节(v)标题(“有条件的差异”次要情节(2,1,2)情节(y)标题(“创新”)
推断的条件方差y不使用任何presample数据。比较他们已知的条件方差(模拟)。
vI =推断(Mdl y);图绘制(1:10 0 v,“r”,“线宽”,2)在情节(1:10 0,vI,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差-没有Presamples”)举行从
注意到瞬态响应(差异)早期时期由于缺乏presample数据。
推断出条件方差使用储备品presample创新,y0。比较他们已知的条件方差(模拟)。
vE =推断(Mdl y“E0”,y0);图绘制(1:10 0 v,“r”,“线宽”,2)在情节(1:10 0、vE、凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差- Presample E”)举行从
有一个初略降低瞬态响应时间。
推断出条件方差使用储备品presample条件方差,签证官。比较他们已知的条件方差(模拟)。
签证官=推断(Mdl y“半”v0);图绘制(v)情节(1:10 0 v,“r”,“线宽”,2)在情节(1:10 0,签证官,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差- Presample V”)举行从
有一个小得多的瞬态响应早期的时期。
使用presample创新和推断条件方差条件方差。比较他们已知的条件方差(模拟)。
vEO =推断(Mdl y“E0”,y0,“半”v0);图绘制(v)情节(1:10 0 v,“r”,“线宽”,2)在vEO情节(1:10 0,凯西:”,“线宽”传说,1.5)(“模拟”,“推断”,“位置”,“东北”)标题(“推断条件方差Presamples”)举行从
当你使用足够presample创新和条件方差,推断条件方差的(没有瞬态响应)。
进行似然比检测EGARCH适合比较
推断loglikelihood目标函数值的EGARCH(1,1)和EGARCH(2,1)模型适合纳斯达克综合指数的回报。识别模型是更加节俭,足够健康,进行似然比检验。
负载纳斯达克工具箱中包含的数据和索引转换为回报。拨出前两个观测作为presample数据。
负载Data_EquityIdx纳斯达克= DataTable.NASDAQ;r = price2ret(纳斯达克);r0 = r (1:2);rn = r(3:结束);
适合的EGARCH(1,1)模型的回报,并推断loglikelihood目标函数值。
Mdl1 = egarch (1,1);EstMdl1 =估计(Mdl1 rn,“E0”、r0);
条件方差EGARCH(1,1)模型(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ __________常数-0.13518 0.022134 -6.1073 1.0131 e-09 GARCH{1} 0.98386 0.0024268 405.42 0弓{1}0.19997 0.013993 14.29 2.5181 e-46杠杆{1}e-26 -0.060244 0.0056558 -10.652 1.7131
[~,logL1] =推断(EstMdl1 rn,“E0”、r0);
适合一个EGARCH(2,1)模型的回报,并推断loglikelihood目标函数值。
Mdl2 = egarch (2, 1);EstMdl2 =估计(Mdl2 rn,“E0”、r0);
EGARCH(2, 1)条件方差模型(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ __________常数-0.1456 0.028436 -5.1202 3.0526 e-07 GARCH {1} 0.85307 0.14018 6.0854 1.1618 e-09 GARCH{2} 0.12951 0.13838 0.93595 0.3493弓{1}0.21969 0.029465 7.456 8.9219 e-14杠杆{1}-0.067935 0.01088 -6.2443 4.2557平台以及
[~,logL2] =推断(EstMdl2 rn,“E0”、r0);
进行似然比检验,更简约的EGARCH(1,1)模型的零模型,和EGARCH(2,1)模型作为替代。测试的自由度是1,因为EGARCH(2,1)模型参数有一个超过EGARCH(1,1)模型(一个额外的GARCH术语)。
(h p) = lratiotest (logL2 logL1 1)
h =逻辑0
p = 0.2256
也不会拒绝零假设(h = 0)。在0.05的显著性水平,EGARCH(1,1)模型并不是拒绝赞成EGARCH(2, 1)模型。
进行似然比检测GARCH和GJR适合比较
GARCH (P,问)在GJR模型嵌套(P,问)模型。因此,您可以执行一个似然比测试比较GARCH (P,问)和GJR (P,问)模型。
推断出loglikelihood目标函数值GARCH(1,1)和GJR(1,1)模型适合纳斯达克综合指数的回报。进行似然比检验,确定哪些模型是更加节俭,足够健康。
负载纳斯达克工具箱中包含的数据和索引转换为回报。拨出前两个观测作为presample数据。
负载Data_EquityIdx纳斯达克= DataTable.NASDAQ;r = price2ret(纳斯达克);r0 = r (1:2);rn = r(3:结束);
适合GARCH(1,1)模型的回报,并推断loglikelihood目标函数值。
Mdl1 = garch (1,1);EstMdl1 =估计(Mdl1 rn,“E0”、r0);
GARCH(1,1)条件方差模型(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ __________常数2.005 e-06 5.4298 e-07 3.6926 - 0.00022197 GARCH{1} 0.88333 0.0084536 104.49 0弓{1}e-46 0.10924 0.0076666 14.249 4.5738
[~,logL1] =推断(EstMdl1 rn,“E0”、r0);
适合GJR回报(1,1)模型,并推断loglikelihood目标函数值。
Mdl2 = gjr (1,1);EstMdl2 =估计(Mdl2 rn,“E0”、r0);
GJR条件方差(1,1)模型(高斯分布):价值StandardError TStatistic PValue __________ _________________ __________ __________常数2.4747 e-06 5.6977 e-07 4.3434 - 1.403 e-05 GARCH{1} 0.88103 0.0095093 92.649 0弓{1}0.064008 0.0091838 6.9697 3.1771 e-12杠杆{1}e-19 0.089287 0.0099199 9.0008 2.2408
[~,logL2] =推断(EstMdl2 rn,“E0”、r0);
进行似然比检验,更简约的GARCH(1,1)模型的零模型,和GJR(1, 1)模型作为替代。测试的自由度是1,因为GJR(1,1)模型具有一个参数超过了GARCH(1,1)模型(杠杆)。
(h p) = lratiotest (logL2 logL1 1)
h =逻辑1
p = 4.5819平台以及
零假设被拒绝(h = 1)。0.05显著性水平,GARCH(1,1)模型被拒绝赞成GJR(1, 1)模型。
输入参数
输出参数
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。
[6]Glosten, l·R。,R. Jagannathan, and D. E. Runkle. “On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks.”《金融。48卷,5号,1993年,页1779 - 1801。
[7]汉密尔顿,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。
