GJR模型
波动率聚类的glosten - jagannaar - runkle GARCH模型
如果负面冲击比正面冲击对波动率的贡献更大，那么您可以使用GJR模型对创新过程建模，并包括杠杆效应。有关如何使用GJR模型建模波动率聚类的详细信息，请参见gjr．
应用程序
| 计量经济学建模师 | 分析和建模计量经济时间序列 |
功能
例子和如何
创建模型
- 指定GJR模型
使用创建GJR模型gjr或计量经济模型应用程序。 - 修改条件方差模型的性质
使用点表示法更改可修改的模型属性。 - 指定条件方差模型创新分布
指定高斯分布或t分布的创新过程。 - 为汇率指定条件方差模型
为每日的德国马克/英镑外汇汇率创建一个条件方差模型。 - 指定条件均值和方差模型
创建一个复合条件均值和方差模型。
模型与数据的拟合
- 比较条件方差模型拟合统计使用计量经济模型应用程序
交互地指定和拟合GARCH、EGARCH和GJR模型到数据。然后，通过比较拟合统计量，确定最适合数据的模型。 - 条件方差模型的似然比检验
拟合两个竞争的条件方差模型与数据，然后使用似然比检验比较它们的拟合。 - 条件均值和方差估计模型
估计一个复合条件均值和方差模型。 - 使用计量经济模型应用程序进行GARCH模型残留诊断
通过执行残差诊断，将数据拟合到GARCH模型后，交互式地评估模型假设。 - 推断条件方差和残差
从一个拟合的条件方差模型推断出条件方差。 - 分享计量经济模型应用程序会议的结果
导出变量到MATLAB®工作区，生成纯文本和实时函数，这些函数返回在应用程序会话中估计的模型，或生成一个报告，记录您在时间序列上的活动，并在econometricmodeler应用程序会话中估计模型。 - 用极值理论和copula评价市场风险
这个例子展示了如何使用蒙特卡洛模拟技术，利用学生t联结和极值理论(EVT)对一个假设的全球股票指数投资组合的市场风险进行建模。
生成蒙特卡罗模拟
- 模拟条件方差模型
模拟一个条件方差模型。 - 模拟GARCH模型
从GARCH进程进行模拟，有或没有指定预采样数据。 - 模拟条件均值和方差模型
从一个复合条件均值和方差模型中模拟响应和条件方差。
生成最小均方误差预测
- 预测GJR模型
从GJR模型生成MMSE预测。 - 预测条件方差模型
用一个拟合的条件方差模型预测德国马克/英镑的汇率。 - 预测条件均值和方差模型
从复合条件均值和方差模型预测响应和条件方差。
概念
- 使用计量经济学建模器分析时间序列数据
交互式可视化和分析单变量或多变量时间序列数据。
- 交互式地指定单变量滞后算符多项式
指定单变量滞后算子多项式项用于使用计量模型器进行时间序列模型估计。
- 条件方差模型
了解解释波动性聚类的模型。
- 条件方差模型的极大似然估计
了解如何对条件方差模型进行极大似然。
- 具有等式约束的条件方差模型估计
在使用已知参数值进行估计时约束模型。
- 条件方差模型估计的预采样数据
指定预采样数据来初始化模型。
- 条件方差模型估计的初值
指定用于估计的初始参数值。
- 条件方差模型估计的优化设置
通过指定备选优化选项来解决评估问题。
- 条件方差模型的蒙特卡罗模拟
了解蒙特卡洛模拟。
- 条件方差模型模拟的预采样数据
了解模拟的预采样要求。
- 条件方差模型的蒙特卡罗预测
了解蒙特卡洛预测。
- 条件方差模型的最小误差预测
了解MMSE预测。
您也可以从以下列表中选择网站: