指定条件方差模型对于汇率
这个例子展示了如何为1984年1月到1991年12月的每日德国马克/英镑汇率指定一个条件方差模型。
加载数据。
加载包含在工具箱中的汇率数据。
加载Data_MarkPoundY =数据;T =长度（Y）;图图（Y）H = GCA;h.XTick = [1 659 1318 1975];h.XTickLabel = {“1984年1月”，“1986年1月”，1988年1月的，...“九二扬”};ylabel'汇率';标题“德国马克/英镑外汇汇率”;
汇率看起来不稳定（它不会出现波动围绕一个固定的水平）。
计算收益。
转换系列的回报。这导致第一次观测的损失。
R = price2ret（Y）;图情节（2：T，R）H 2 = GCA;h2.XTick = [1 659 1318 1975];h2.XTickLabel = {“1984年1月”，“1986年1月”，1988年1月的，...“九二扬”};ylabel“返回”;标题“德国马克/英镑日回报”;
围绕一个共同的水平的收益率序列波动，但展品波动聚类。在回报率大的变化往往会聚集在一起，和小的变化往往会聚集在一起。也就是说，该系列产品具有条件异方差。
的回报是相对高的频率的。因此，日常的变化可能很小。对于数值稳定性，规模等数据好习惯。在这种情况下，缩放回报率的回报。
R = 100 * R;
检查自相关。
检查返回系列自相关。画出样品ACF和PACF，并进行了Ljung的-Box的Q检验。
图副区（2,1,1）autocorr（r）的副区（2,1,2）parcorr（r）的
[H，P] = lbqtest（R，“滞后”[5 10 15]）
H =1 x3逻辑阵列0 0 0
p =1×30.3982 0.7278 0.2109
样品ACF和PACF显示几乎没有显著自相关。该Ljung的盒Q检验零假设，即所有自相关到测试滞后为零，则不拒绝在滞后5，10次和15这表明，不需要对这一收益率序列条件均值模型。
检查条件异方差。
检查条件异方差的返回序列。绘制平方返回序列(定心后)的样本ACF和PACF。用双滞后拱模型替代进行恩格尔拱试验。
图副区（2,1,1）autocorr（（R-平均值（R））。^ 2）副区（2,1,2）parcorr（（R-平均值（R））。^ 2）
[H，P] = archtest（R-平均值（R），“滞后”，2）
H =合乎逻辑1
p = 0时
平方收益率的样本ACF和PACF表现出显著的自相关。这表明，具有滞后方差和滞后平方创新的GARCH模型可能适合于对这个系列进行建模。恩格尔ARCH检验拒绝原假设(H = 1）赞成替代ARCH模型的无ARCH效应有两个滞后平方创新。有两个滞后创新的ARCH模型是在当地相当于一个GARCH（1,1）模型。
指定GARCH（1,1）模型。
基于自相关和条件异技术规格测试中，指定GARCH（1,1）模型，平均偏移量：
同 和
假设一个高斯分布的创新。
Mdl = garch (“抵消”大，NaN，'GARCHLags'1，'ARCHLags'，1）
描述:“garch(1,1)条件方差模型与偏移量(高斯分布)”Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: NaN GARCH: {NaN} at lag [1] ARCH: {NaN} at lag [1] Offset: NaN
创建的模型，MDL， 已为NaN在指定的GARCH（1,1）模型中的所有未知参数的值。
您可以通过GARCH模型MDL和[R成估计来估计参数。
也可以看看
应用
对象
功能
相关的例子
更多关于
您还可以选择从下面的列表中的网站：
