这个例子展示了如何在有或没有指定前样本数据的情况下模拟GARCH过程。蒙特卡罗模拟的样本无条件方差近似于理论GARCH无条件方差。
指定一个GARCH(1,1)模型 其中的分布 是高斯和
Mdl = garch (“不变”, 0.01,“四国”, 0.7,“拱”, 0.25)
描述:“garch(1,1)条件方差模型(高斯分布)”分布:Name = "Gaussian" P: 1 Q: 1 Constant: 0.01 GARCH: {0.7} at lag [1] ARCH: {0.25} at lag [1] Offset: 0
从GARCH(1,1)模型中模拟5条长度为100的路径,不指定任何样本前创新或条件方差。显示五个样例路径的第一个条件方差。被模拟的模型没有平均偏移,因此响应序列是一个创新序列。
rng默认的;%的再现性(Vn, Yn) =模拟(Mdl, 100,“NumPaths”5);: Vn (1)%显示差异
ans =1×50.1645 0.3182 0.4051 0.1872 0.1551
图subplot(2,1,1) plot(Vn) xlim([0,100]) title(“有条件的差异”) subplot(2,1,2) plot(Yn) xlim([0,100]) title(“创新”)
由于没有指定预样例数据,每个实现的起始条件方差是不同的。
从模型中模拟5条长度为100的路径,指定需要样本前创新和条件方差的路径。显示五个样例路径的第一个条件方差。
rng默认的;(大众,Yw) =模拟(Mdl, 100,“NumPaths”,5,...“E0”, 0.05,“半”, 0.001);大众(1:)
ans =1×50.0113 0.0113 0.0113
图subplot(2,1,1) plot(Vw) xlim([0,100]) title(“有条件的差异”)子地块(2,1,2)地块(Yw) xlim([0,100]) title(“创新”)
所有五个样本路径都有相同的起始条件方差,这些方差是用前样本数据计算出来的。
注意,即使有相同的起始方差,创新系列的实现也有不同的起始点。这是因为 是从一个均值为0,方差为0的高斯分布中随机抽取的吗 .
从指定的GARCH模型模拟10000条长度为500的样本路径。绘制蒙特卡罗模拟的样本无条件方差,并将它们与理论无条件方差进行比较,
sig2 = 0.01 / (1 - 0.7 - 0.25);rng默认的;[V, Y] =模拟(Mdl, 500,“NumPaths”, 10000);图绘制(var (Y, 0, 2),“颜色”(7, 7, 7),“线宽”1.5) xlim ([0500])在情节(1:50 0的(500 1)* sig2,“k——”,“线宽”2)传说(“模拟”,“理论”,“位置”,“西北”)标题(的无条件方差)举行从
模拟的无条件方差在理论无条件方差附近波动。