VAR模型预测、模拟和分析- MATLAB仿真软件万博1manbetx - 万博1manbetx,s manbetx 845,万博尤文图斯

VAR模型预测、模拟和分析

VAR模型预测

当你有模型与参数(已知或估计),您可以检查模型的预测。在建立VAR模型的更多信息,请参阅向量自回归(VAR)模型的创建。估计模型的更多信息,请参阅VAR模型估计。

这个列表描述了主要预测方法。

使用预测,您可以:
- 生成最小均方误差预测和相应的均方误差矩阵。例如,看到的VAR模型预测。
- 生成条件预测和相应的均方误差矩阵给出的一些未来的响应值预测地平线。例如,看到的预测VAR模型条件反应。
使用模拟,您可以:
- 产生许多随机响应路径蒙特卡罗估计未来。有关示例,请参见使用蒙特卡罗模拟预测VAR模型和估计VARX模型的模拟反应。
- 产生许多随机条件反应路径得到一些未来的响应值预测地平线。例如,看到的模拟VAR模型条件反应。
使用过滤器,你可以通过多种途径通过蒙特卡罗模型评估未来的创新。模拟反应使用过滤器。

这些函数基础上他们的预测完全指定的模型对象和初始数据。功能有不同的创新过程:

预测假定新鲜感的创新。因此,预测产生一个确定的预测,条件或其他。
模拟假设多元创新与协方差矩阵联合高斯分布Σ。模拟产生伪随机,蒙特卡罗样本路径。
过滤器需要创新过程的路径。过滤器收益率的样本路径确定性根据指定的路径创新过程。

预测速度更快,需要更少的内存比生成许多样本路径使用吗模拟或过滤器。然而,预测不是一样灵活模拟和过滤器。例如,假设你改变一些时间序列模型前,检查预测时,想撤销转换。误差范围的变换预测误差范围是无效的。相比之下,误差范围的统计数据转换的模拟是有效的。

预测函数是如何工作的

无条件的预测,预测生成两个量:

确定性预测时间序列基于0的创新
时间序列的预测均方误差矩阵的基础上Σ协方差矩阵,创新。

有条件的预测:

预测需要未来响应数据的数组,其中包含的失踪(南)和已知值。预测生成预测缺失值条件已知的值。
生成的预测预测也是确定的,但基于均方误差矩阵Σ和已知的响应值预测地平线。
预测使用卡尔曼滤波器生成预测。具体地说:
1. 预测代表了VAR模型作为(状态空间模型舰导弹没有观测误差模型对象)。
2. 预测过滤器通过状态空间模型的预测数据。在期间t在预测地平线,任何未知的响应
  
  ${\hat{y}}_{t} = {\hat{Φ}}_{1} {\hat{y}}_{t - 1} + … + {\hat{Φ}}_{p} {\hat{y}}_{t - p} + \hat{c} + \hat{δ} t + \hat{β} x_{t},$
  
  在哪里<年代pan class="inlineequation"> ${\hat{y}}_{年代},$ 年代<t是过滤的估计y从时间年代在预测地平线。预测使用presample值预测地平线之前的时期。
更多细节,请参阅过滤器和[4],612 - 615页。

对任何类型的预测中,初始化VAR (p预测的时间跨度)模型中,预测需要ppresample观察。您可以指定多个presample数据的路径。如果你指定多个路径,预测预测响应返回一个三维数组,每个页面对应的道路presample值。

无条件的模拟,模拟:

生成随机时间序列模型使用随机路径的基础上创新多元高斯分布的均值为零,方差Σ
过滤器通过模型的随机路径创新

条件模拟:

模拟,就像预测需要未来的响应数据数组,包含一个混合的失踪,已知值,并生成值缺失的反应。
模拟执行条件模拟使用这个过程。在每一个时间t在预测地平线:
1. 模拟推断(或逆滤波器)的创新(E (t:)从已知的未来响应。
2. 对未来缺少创新,模拟:
  1. 吸引了Z1标准高斯分布,随机扰动条件已知的元素E (t:)。
  2. 尺度Z1的下三角柯列斯基因素条件协方差矩阵。也就是说,Z2=L * Z1,在那里l=胆固醇(协方差,“低”)和协方差的协方差条件高斯分布。
  3. 背景Z2中相应的缺失值E (t:)。
3. 在未来响应数据缺失值,模拟过滤相应的随机创新通过VAR模型Mdl。

对任何一种模拟:

模拟不需要presample观测。详情presample默认值的数据,看看“Y0”。
进行推理,产生1000年代的反应路径,然后估计样本统计量在每次生成的路径预测地平线。例如,假设Y是一个三维数组的预测路径。蒙特卡罗和区间估计的预测时间点t在预测地平线
```
MCPointEst =意味着(Y(t、::),3);MCPointInterval =分位数(Y(t:,:)(0.025 - 0.975),3);
```

即蒙特卡罗点估计是指跨页面和蒙特卡罗区间估计由第2.5和第97.5百分位数计算路径。观察到蒙特卡罗估计蒙特卡罗错误,所以估计不同每次运行分析在相同条件下,但使用不同的随机数种子。

数据扩展

如果你按比例缩小的任何时间序列拟合模型之前,您可以unscale产生的时间序列更容易理解它的预测。

如果你按比例缩小的一个系列日志,将相应的预测模型经验值。
如果你按比例缩小的一个系列diff(日志)或者,同样,price2ret,将相应的预测模型cumsum (exp),同样,ret2price。cumsum的逆diff;计算累积资金。在集成,您必须选择一个适当的添加剂不断累积的总和。例如,取最后的日志条目在相应的数据系列中,并使用它作为第一项在申请之前的系列cumsum。

计算脉冲响应

您可以检查的影响脉冲响应模型与armairf。一个脉冲响应时间序列模型的确定性响应一个创新的过程,一个标准差的值在一个组件在最初的时候,在所有其他组件和时间和0。脉冲响应函数的主要成分动态乘数的系数,也就是说,VMA的VAR模型。

给定一个完全指定的varm模型中,您必须提供自回归系数armairf。默认情况下,armairf通过系统发送一个单位冲击,这导致的预测误差脉冲响应。您可以选择提供创新协方差矩阵和选择是否生成广义或使正交化脉冲响应。广义脉冲响应量过滤每一个创新的一个标准误差的冲击虽然VAR模型。使正交化脉冲响应规模动态乘数的下三角柯列斯基因素创新协方差。更多细节,请参阅[2]。

例如,看到的生成VAR模型的脉冲响应。

引用

[1]Lutkepohl, H。新的多元时间序列分析的介绍。柏林:施普林格出版社,2005年。

[2]Pesaran, h . h和y胫骨。“广义脉冲响应分析在线性多变量模型”。经济上的字母。58卷,1998年,17 - 29日。

另请参阅

对象

舰导弹|<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">varm

功能

cumsum|<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">diff|<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">估计|<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">过滤器|<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">过滤器|<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">预测|<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">price2ret|<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">ret2price|<年代pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">模拟