主要内容

预测GJR模型

打开实时脚本

此示例显示了如何使用GJR模型生成MMSE预测预报。

步骤1.指定GJR模型。

指定没有平均偏移的GJR（1,1）模型 κ = 0 。 1 ，，，， γ 1 = 0 。 7 ，，，， α 1 = 0 。 2 和 ξ 1 = 0 。 1 。

mdl = gjr（'持续的'，0.1，'garch'，0.7，...'拱'，0.2，'杠杆作用'，0.1）;

步骤2.生成MMSE预测。

在没有指定前样本创新和条件方差的情况下，为100周期的地平线生成预测。绘制预测以及模型的理论无条件差异。

V1 =预测（MDL，100）;v2 =预测（MDL，100，'y0'，1.4，'v0'，2.1）;denom = 1-mdl.garch {1} -mdl.ark {1} -0.5*mdl.Leverage {1};sig2 = mdl.constant/denom;图图（V1，'颜色'，[。9，.9，.9]，'行宽'，8）保持在情节（v2，'行宽'，2）图（一个（100,1）*sig2，'K--'，，，，'行宽'，1.5）xlim（[0,100]）标题（“预测GJR条件差异”） 传奇（'没有预兆'，，，，“预成本”，，，，“理论”，，，，...'地点'，，，，'东南'） 抓住离开

图包含一个轴对象。带有标题预测GJR条件差异的轴对象包含3个类型行的对象。这些对象不表示理论上的前提，前样品。

v2（1）％显示预测条件差异
ANS = 1.9620

无需使用预先样本数据而生成的预测等于理论无条件差异。在没有预先样本数据的情况下，预报使用无条件的差异，用于任何必需的预先样本创新和条件差异。

在此示例中，对于给定的预先样本创新和条件差异，起始预测是

σ ˆ t + 1 2 = κ + γ 1 σ t 2 + α 1 ε t 2 = 0 。 1 + 0 。 7 （（ 2 。 1 ） + 0 。 2 （（ 1 。 4 2 ） = 1 。 9 6 2 。

杠杆项不包括在预测中，因为预先样本创新为正（因此，负性指标为零）。

也可以看看

对象

职能

相关示例

更多关于