模拟条件均值和方差模型

打开实时脚本

这个例子展示了如何从复合条件均值和方差模型中模拟响应和条件方差。

加载数据并拟合模型

加载工具箱中包含的NASDAQ数据。拟合一个条件均值和方差模型的日收益。为数值稳定，将回报率缩放为百分比回报

负载Data_EquityIdx纳斯达克= dattable . nasdaq;R = 100*price2ret(纳斯达克);T =长度(r);Mdl = arima(“ARLags”，1,“方差”garch (1,1),.．.“分布”，“t”）;EstMdl =估计(Mdl,r，“Variance0”, {“Constant0”, 0.001});

ARIMA(1,0,0)模型(t分布):Value standderror TStatistic PValue ________ _____________ __________ __________ Constant 0.093488 0.016694 5.6002 2.1413e-08 AR{1} 0.13911 0.018857 7.3771 1.6175e-13 DoF 7.4775 0.88261 8.472 2.4126e-17 GARCH(1,1)条件方差模型(t分布):值standderror TStatistic PValue ________ _____________ __________ __________ Constant 0.011246 0.0036305 3.0976 0.0019511 GARCH{1} 0.90766 0.010516 86.315 0 ARCH{1} 0.089897 0.010835 8.2966 1.0712e-16 DoF 7.4775 0.88261 8.472 2.4126e-17

[e0,v0] = infer(EstMdl,r);

模拟回报、创新和条件方差

使用模拟为未来1000个时期的回报、创新和条件方差生成100个样本路径。使用观察到的收益和推断的残差和条件方差作为预样本数据。

rng“默认”；[y,e,v] =模拟(EstMdl,1000，“NumPaths”, 100,.．.“Y0”r“E0”下,,“半”v0);图(r)稍等在plot(T+1:T+1000,y) xlim([0,T+1000])“模拟回报”)举行从

图中包含一个轴对象。标题为simulate Returns的axes对象包含101个line类型的对象。

模拟结果显示，在预测范围内，波动性增加。

条件方差图

绘制推断和模拟的条件方差。

Figure plot(v0) hold住在plot(T+1:T+1000,v) xlim([0,T+1000])“模拟条件方差”)举行从

图中包含一个轴对象。标题为“模拟条件方差”的axis对象包含101个类型为line的对象。

模拟收益波动的增加是由于预测范围内较大的条件方差。

地块标准化创新

使用条件方差过程的平方根来标准化创新。在预测范围内绘制标准化创新。

图plot(e./sqrt(v)) xlim([0,1000])“模拟标准化创新”）

图中包含一个轴对象。标题为“模拟标准化创新”的axis对象包含100个类型为line的对象。

拟合模型假设标准化创新遵循标准化的Student's t分布。因此，模拟的创新具有比高斯创新分布所期望的更大的值。

另请参阅

华宇电脑|估计|推断出|模拟