预测条件均值方差模型
此示例显示如何从复合条件均值和方差模型中预测响应和条件方差。
第一步。加载数据并拟合模型。
加载工具箱中包含的纳斯达克数据。将条件均值和方差模型拟合到数据中。
负载数据需求IDX纳斯达克=DataTable.NASDAQ数据表；r=price2ret（纳斯达克）；N=length（r）；Mdl=arima(“阿尔拉”，1，'差异'，加奇（1,1），...'分配',“t”)；EstMdl=估计值（Mdl，r，'差异0',{“康斯坦特”,0.001});
9127 7.496 6.5772e-14 DoF 7.497 0.91008 8.2377 1.755e-16 GARCH（1,1）条件方差模型（t分布）：值标准误差统计值_____________庘庘庘庘庘庘庘庘庘庘庘庘庘庘庘常数1.5574e-06 6 6.3081e-07 2.4689 0.013554 GARCH{1}0.8952 0.011552 77.496 0 ARCH{1}0.10038 0.011813 8.4977 1.9343e-17 DoF 7 0.497 0.91008 8.2377 1.755e-16
[E0，V0]=推断（EstMdl，r）；
第二步。预测收益和条件方差。
使用预测计算1000年期未来水平的回报和条件方差的MMSE预测。使用观察到的收益和推断出的残差和条件方差作为样本数据。
[Y，YMSE，V]=预测值（EstMdl，1000，r，'E0'，0岁，'V0'，V0）；上=Y+1.96*sqrt（YMSE）；下=Y-1.96*sqrt（YMSE）；图形子块（2,1,1）图（r，'颜色'，[0.75，.75，.75]）保持on绘图（N+1:N+1000，Y，“r”,'线宽',2) plot(N+1:N+1000,[upper,lower],“k——”,'线宽'，1.5）xlim（[0，N+1000]）标题('Forecasted Returns') hold远离的子地块（2,1,2）图（V0，'颜色'，[0.75，.75，.75]）保持on绘图（N+1:N+1000，V，“r”,'线宽',2); xlim([0,N+1000]) title('预测条件方差') hold远离的
条件方差预测收敛于GARCH条件方差模型的渐近方差。预测收益收敛于估计的模型常数（AR条件均值模型的无条件均值）。
另见
物体
功能
相关实例
更多关于
