估计
符合条件方差模型数据
描述
(
另外的回报:EstMdl
,EstParamCov
,logL
,信息
)=估计(___)
EstParamCov
,variance-covariance矩阵估计参数。logL
,loglikelihood目标函数进行了优化。信息
摘要信息的数据结构使用任何输入参数在前面的语法。
例子
没有初始值估计GARCH模型参数
适合GARCH(1,1)模型来模拟数据。
模拟500数据点的GARCH(1,1)模型
在哪里 和
创新使用默认的高斯分布 。
Mdl0 = garch (“不变”,0.0001,“四国”,0.5,…“拱”,0.2);rng默认的;%的再现性[v, y] =模拟(Mdl0,500);
输出v
包含模拟条件方差。y
是一个列向量的模拟反应(创新)。
指定一个GARCH(1,1)模型与未知系数,并配合系列y
。
Mdl = garch (1,1);EstMdl =估计(Mdl, y)
GARCH(1,1)条件方差模型(高斯分布):价值StandardError TStatistic PValue __________ _________________ __________ __________常数9.8911 e-05 3.0726 e-05 3.2191 - 0.001286 GARCH {1} 0.45394 0.11193 4.0557 4.9987 e-05弓{1}e-06 0.26374 0.056931 4.6326 3.6111
EstMdl = garch的属性:描述:“garch(1,1)条件方差模型(高斯分布)”Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: 9.89108e-05 GARCH: {0.453936} at lag [1] ARCH: {0.263739} at lag [1] Offset: 0
结果是一个新的garch
模型称为EstMdl
。的参数估计EstMdl
像生成的模拟数据的参数值。
没有初始值估计EGARCH模型参数
适合一个EGARCH(1,1)模型来模拟数据。
模拟500数据点EGARCH(1,1)模型
在哪里 和
(的分布 是高斯)。
Mdl0 = egarch (“不变”,0.001,“四国”,0.7,…“拱”,0.5,“杠杆”,-0.3);rng默认的%的再现性[v, y] =模拟(Mdl0,500);
输出v
包含模拟条件方差。y
是一个列向量的模拟反应(创新)。
指定一个EGARCH(1,1)模型与未知系数,并配合系列y
。
Mdl = egarch (1,1);EstMdl =估计(Mdl, y)
条件方差EGARCH(1,1)模型(高斯分布):价值StandardError TStatistic PValue ___________ _________________ __________ __________常数-0.00063866 0.031698 -0.020148 0.98392 GARCH {1} 0.70506 0.067359 10.467 1.2221 e-25弓{1}0.56774 0.074746 7.5956 3.063 e-14杠杆{1}e-09 -0.32116 0.053345 -6.0204 1.7399
EstMdl = egarch属性:描述:“条件方差egarch(1,1)模型(高斯分布)”Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: -0.000638661 GARCH: {0.705065} at lag [1] ARCH: {0.567741} at lag [1] Leverage: {-0.321158} at lag [1] Offset: 0
结果是一个新的egarch
模型称为EstMdl
。的参数估计EstMdl
像生成的模拟数据的参数值。
没有初始值估计GJR模型参数
适合GJR(1,1)模型来模拟数据。
从GJR模拟500数据点(1,1)模型。
在哪里 和
创新使用默认的高斯分布 。
Mdl0 = gjr (“不变”,0.001,“四国”,0.5,…“拱”,0.2,“杠杆”,0.2);rng默认的;%的再现性[v, y] =模拟(Mdl0,500);
输出v
包含模拟条件方差。y
是一个列向量的模拟反应(创新)。
指定一个GJR(1,1)模型与未知系数,并配合系列y
。
Mdl = gjr (1,1);EstMdl =估计(Mdl, y)
GJR条件方差(1,1)模型(高斯分布):价值StandardError TStatistic PValue __________ _________________ __________ __________常数0.00097382 0.00025135 3.8743 0.00010694 GARCH{1} 0.46055 0.071793 6.4151 1.4077 0.24126平台以及弓{1}杠杆{1}0.063409 3.8047 0.00014196 0.25051 0.11265 2.2237 0.02617
EstMdl = gjr属性:描述:“gjr条件方差(1,1)模型(高斯分布)”Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: 0.000973819 GARCH: {0.460555} at lag [1] ARCH: {0.241256} at lag [1] Leverage: {0.250507} at lag [1] Offset: 0
结果是一个新的gjr
模型称为EstMdl
。的参数估计EstMdl
像生成的模拟数据的参数值。
GARCH模型参数估计使用Presample数据
适合GARCH(1,1)模型对每日近纳斯达克综合指数的回报。
负载纳斯达克工具箱中包含的数据。将指数的回报。
负载Data_EquityIdx纳斯达克= DataTable.NASDAQ;y = price2ret(纳斯达克);T =长度(y);图绘制(y) xlim ([0, T])标题(“纳斯达克回报”)
表现出波动集群的回报。
指定一个GARCH(1,1)模型,并配合系列。一presample创新需要初始化这个模型。使用第一个观察y
作为必要的presample创新。
Mdl = garch (1,1);[EstMdl, EstParamCov] =估计(Mdl y(2:结束),“E0”y (1))
GARCH(1,1)条件方差模型(高斯分布):价值StandardError TStatistic PValue __________ _________________ __________ __________常数1.9987 e-06 5.4228 e-07 3.6857 - 0.00022807 GARCH{1} 0.88356 0.0084341 104.76 0弓{1}e-46 0.10903 0.0076471 14.257 4.0407
EstMdl = garch的属性:描述:“garch(1,1)条件方差模型(高斯分布)”Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: 1.99867e-06 GARCH: {0.883563} at lag [1] ARCH: {0.109027} at lag [1] Offset: 0
EstParamCov =3×3104×0.0000 -0.0000 0.0000 -0.0000 0.7113 -0.5343 0.0000 -0.5343 0.5848
输出EstMdl
是一个新的garch
模型估计参数。
使用标准输出variance-covariance矩阵来计算估计错误。
se =√诊断接头(EstParamCov))
se =3×10.0000 0.0084 0.0076
这些都是标准错误估计输出所示显示。他们对应的(为了)不变,GARCH系数,和拱系数。
EGARCH模型参数估计使用Presample数据
适合一个每日EGARCH(1,1)模型来关闭纳斯达克综合指数的回报。
负载纳斯达克工具箱中包含的数据。将指数的回报。
负载Data_EquityIdx纳斯达克= DataTable.NASDAQ;y = price2ret(纳斯达克);T =长度(y);图绘制(y) xlim ([0, T])标题(“纳斯达克回报”)
表现出波动集群的回报。
指定一个EGARCH(1,1)模型,并配合系列。一presample创新需要初始化这个模型。使用第一个观察y
作为必要的presample创新。
Mdl = egarch (1,1);[EstMdl, EstParamCov] =估计(Mdl y(2:结束),“E0”y (1))
条件方差EGARCH(1,1)模型(高斯分布):价值StandardError TStatistic PValue _____ _________________ __________ __________常数-0.13478 0.022092 -6.101 1.0539 e-09 GARCH{1} 0.98391 0.0024221 406.22 0弓{1}0.19964 0.013966 14.296 2.3323 e-46杠杆{1}e-26 -0.060243 0.005647 -10.668 1.4356
EstMdl = egarch属性:描述:“条件方差egarch(1,1)模型(高斯分布)”Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: -0.134785 GARCH: {0.983909} at lag [1] ARCH: {0.199645} at lag [1] Leverage: {-0.0602432} at lag [1] Offset: 0
EstParamCov =4×4103×0.4881 0.0533 -0.1018 0.0106 0.0533 0.0059 -0.0118 0.0017 -0.1018 -0.0118 0.1950 0.0016 0.0106 0.0017 0.0016 0.0319
输出EstMdl
是一个新的egarch
模型估计参数。
使用标准输出variance-covariance矩阵来计算估计错误。
se =√诊断接头(EstParamCov))
se =4×10.0221 0.0024 0.0140 0.0056
这些都是标准错误估计输出所示显示。他们对应的(为了)不变,GARCH系数,拱系数,并利用系数。
GJR模型参数估计使用Presample数据
适合GJR(1,1)模型对每日近纳斯达克综合指数的回报。
负载纳斯达克工具箱中包含的数据。将指数的回报。
负载Data_EquityIdx纳斯达克= DataTable.NASDAQ;y = price2ret(纳斯达克);T =长度(y);图绘制(y) xlim ([0, T])标题(“纳斯达克回报”)
表现出波动集群的回报。
指定一个GJR(1,1)模型,并配合系列。一presample创新需要初始化这个模型。使用第一个观察y
作为必要的presample创新。
Mdl = gjr (1,1);[EstMdl, EstParamCov] =估计(Mdl y(2:结束),“E0”y (1))
GJR条件方差(1,1)模型(高斯分布):价值StandardError TStatistic PValue __________ _________________ __________ __________常数2.4571 e-06 5.6864 e-07 4.3209 - 1.5539 e-05 GARCH{1} 0.88133 0.0094911 92.859 0弓{1}0.064139 0.0092031 6.9693 3.185 e-12杠杆{1}e-19 0.088799 0.0099187 8.9527 3.4676
EstMdl = gjr属性:描述:“gjr条件方差(1,1)模型(高斯分布)”Distribution: Name = "Gaussian" P: 1 Q: 1 Constant: 2.45706e-06 GARCH: {0.881331} at lag [1] ARCH: {0.0641394} at lag [1] Leverage: {0.0887992} at lag [1] Offset: 0
EstParamCov =4×4104×0.0000 -0.0000 0.0000 0.0000 -0.0000 0.9008 -0.6940 0.0002 0.0000 -0.6940 0.8470 -0.3613 0.0000 0.0002 -0.3613 0.9838
输出EstMdl
是一个新的gjr
模型估计参数。
使用标准输出variance-covariance矩阵来计算估计错误。
se =√诊断接头(EstParamCov))
se =4×10.0000 0.0095 0.0092 0.0099
这些都是标准错误估计输出所示显示。他们对应的(为了)不变,GARCH系数,拱系数,并利用系数。
输入参数
名称-值参数
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
R2021a之前,用逗号来分隔每一个名称和值,并附上的名字
在报价。
例子:“显示”,“通路”,“E0”, [0.1;0.05)
指定要显示迭代优化信息,(0.05;0.1)
presample创新。
ARCH0
- - - - - -最初的估计系数对应于过去的创新条件
数值向量
最初的估计系数对应于过去的创新方面,指定为逗号分隔组成的“ARCH0”
和一个数字向量。
GARCH (P,问)和GJR (P,问)模型:
ARCH0
必须包含非负数字向量元素。ARCH0
包含与过去相关的初始估计系数平方创新方面组成拱多项式。默认情况下,
估计
得出初步估计使用标准时间序列技术。
EGARCH (P,问)模型:
ARCH0
包含初始估计系数的大小与过去标准化创新组合拱多项式。默认情况下,
估计
设置初始相关系数估计模型中第一个非零延迟小积极的价值。其他值都为零。
系数的数量ARCH0
的数量必须等于落后与拱多项式的非零系数有关,是指定的吗ARCHLags
的属性Mdl
。
数据类型:双
Constant0
- - - - - -初始条件方差估计模型常数
数字标量
初始条件方差模型常数估计,指定为逗号分隔组成的“Constant0”
和一个数字标量。
GARCH (P,问)和GJR (P,问)模型,Constant0
必须是一个积极的标量。
默认情况下,估计
得出初步估计使用标准时间序列技术。
数据类型:双
显示
- - - - - -命令窗口显示选项
“参数”
(默认)|“诊断”
|“全部”
|“通路”
|“关闭”
|字符串向量|细胞特征向量的向量
命令窗口显示选项,指定为逗号分隔组成的“显示”
和一个或多个值表。
价值 | 信息显示 |
---|---|
“诊断” |
优化诊断 |
“全部” |
最大似然参数估计,标准错误,t统计,迭代优化信息,优化诊断 |
“通路” |
迭代优化的信息 |
“关闭” |
没有一个 |
“参数” |
最大似然参数估计,标准错误,t统计数据 |
例子:“显示”,“关闭”
非常适合运行模拟,估计很多模型。
例子:“显示”,{“参数”、“诊断”}
显示所有的评估和优化诊断结果。
数据类型:字符
|细胞
|字符串
DoF0
- - - - - -初步的估计t分布自由度参数
10
(默认)|积极的标量
的初始估计t分布自由度参数ν,指定为逗号分隔两人组成的“DoF0”
和积极的标量。DoF0
必须超过2。
数据类型:双
E0
- - - - - -Presample创新
数字列向量
Presample创新,指定为逗号分隔组成的“E0”
和一个数字列向量。presample创新提供初始值条件方差的创新过程模型Mdl
。presample创新源自一个分布均值为0。
E0
必须包含至少Mdl.Q
行。如果E0
包含额外的行,然后估计
使用了最新的Mdl.Q
presample创新。最后一行包含最新presample创新。
默认值是:
GARCH (P,问)和GJR (P,问)模型,
估计
集任何必要presample创新的平均平方值的平方根offset-adjusted反应级数y
。EGARCH (P,问)模型,
估计
任何必要的presample创新设置为零。
数据类型:双
GARCH0
- - - - - -最初对过去的条件方差系数估计的条件
数值向量
最初对过去的条件方差系数估计而言,指定为逗号分隔组成的“GARCH0”
和一个数字向量。
GARCH (P,问)和GJR (P,问)模型:
GARCH0
必须包含非负数字向量元素。GARCH0
包含初始与过去相关系数估计条件方差组成GARCH多项式。
EGARCH (P,问)模型,
GARCH0
包含初始与过去相关系数估计日志条件方差组成GARCH多项式。
系数的数量GARCH0
的数量必须等于落后与GARCH多项式的非零系数有关,是指定的吗GARCHLags
的属性Mdl
。
默认情况下,估计
得出初步估计使用标准时间序列技术。
数据类型:双
Offset0
- - - - - -最初的创新意味着偏移估计模型
标量
最初的创新意味着偏移估计模型,指定为逗号分隔组成的“Offset0”
和一个标量。
默认情况下,估计
设置初始样本均值的估计y
。
数据类型:双
选项
- - - - - -优化选项
optimoptions
优化控制器
优化选项,指定为逗号分隔组成的“选项”
和一个optimoptions
优化控制器。优化器的细节修改默认值,明白了optimoptions
或fmincon
在优化工具箱™。
例如,改变约束宽容1 e-6
,设置选择= optimoptions (@fmincon ConstraintTolerance的1 e-6,“算法”,“sqp”)
。然后,通过选项
成估计
使用“选项”,选择
。
默认情况下,估计
使用相同的默认选项fmincon
,除了算法
是“sqp”
和ConstraintTolerance
是1 e -
。
半
- - - - - -Presample条件方差
数字列向量与积极的条目
Presample条件方差,指定为逗号分隔组成的“半”
用积极的条目和数字列向量。半
提供初始值条件方差条件方差模型的过程Mdl
。
GARCH (P,问)和GJR (P,问)模型,半
必须至少有Mdl.P
行。
EGARCH (P,问)模型,半
必须至少有max (Mdl.P Mdl.Q)
行。
如果中的行数半
超过必要的数量,只有使用最新的观测。最后一行包含最新的观测。
默认情况下,估计
设置必要的presample条件方差的平均平方值offset-adjusted反应级数y
。
数据类型:双
Leverage0
- - - - - -最初的系数估计过去利用条款
0
(默认)|数值向量
最初的系数估计过去利用条件,指定为逗号分隔组成的“Leverage0”
和一个数字向量。
EGARCH (P,问)模型,Leverage0
包含与过去相关的初始估计系数标准化创新条款构成利用多项式。
GJR (P,问)模型,Leverage0
包含初始估计系数与过去有关,平方-创新构成利用多项式。
系数的数量Leverage0
的数量必须等于落后与利用多项式的非零系数(利用
),如中指定LeverageLags
。
数据类型:双
笔记
南
年代presample或估计数据显示缺失的数据,和估计
删除它们。软件合并presample数据(E0
和半
有效样本数据(分开)y
),然后使用list-wise删除删除包含至少一行南
。删除南
年代的数据减少了样本容量,还可以创建不规则的时间序列。估计
假设您同步presample最新数据,观察同时发生。如果你指定一个值
显示
的规范,那么它优先于优化选项诊断
和显示
。否则,估计
荣誉与显示相关的所有选择的优化信息优化选项。如果你不指定
E0
和半
,然后估计
必要的presample观察来自无条件的,或长期offset-adjusted响应过程的方差。所有条件方差模型,
半
的样本平均平方offset-adjusted响应数据的干扰y
。GARCH (P,问)和GJR (P,问)模型,
E0
是根号的平均平方值offset-adjusted反应系列y
。EGARCH (P,问)模型,
E0
是0
。
这些规范减少初始瞬态效应。
输出参数
EstParamCov
- Variance-covariance矩阵的最大似然估计
数字矩阵
Variance-covariance矩阵的最大似然估计模型参数优化器,返回一个数字矩阵。
与任何相关的行和列参数最大似然估计,包含估计误差的协方差。参数估计的标准误差是主对角线上元素的平方根。
与任何相关的行和列参数作为等式约束包含保持固定0
年代。
估计
功能使用的外产品梯度()方法来执行协方差矩阵估计。
估计
命令参数EstParamCov
如下:
常数
非零GARCH系数在积极的滞后
非零拱在积极的滞后系数
EGARCH和GJR模型,非零杠杆系数在积极的滞后
自由度(t创新分布)
抵消(仅模型与非零偏移)
数据类型:双
logL
——优化loglikelihood目标函数值
标量
loglikelihood优化目标函数值,作为一个标量返回。
数据类型:双
信息
——优化总结
结构数组
优化总结,作为一个结构数组返回这个表中描述的领域。
场 | 描述 |
---|---|
exitflag |
优化退出标志(见fmincon 在优化工具箱) |
选项 |
控制器(见优化选项optimoptions 和fmincon 在优化工具箱) |
X |
向量的最终参数估计 |
X0 |
向量的初始参数估计 |
例如,您可以通过输入显示最后的矢量估计info.X
在命令窗口中。
数据类型:结构体
引用
[1]Bollerslev,蒂姆。“广义自回归条件异方差性。”计量经济学杂志31日(1986年4月):307 - 27所示。https://doi.org/10.1016/0304 - 4076 (86) 90063 - 1。
[2]Bollerslev,蒂姆。“有条件地Heteroskedastic投机性价格和时间序列模型的回报。”经济学和统计学的评审69(1987年8月):542 - 47。https://doi.org/10.2307/1925546。
[3],g . e . P。,G. M. Jenkins, and G. C. Reinsel.时间序列分析:预测与控制。第三。恩格尔伍德悬崖,新泽西:普伦蒂斯霍尔,1994年。
恩德斯[4],W。应用计量经济学时间序列。新泽西州霍博肯:约翰威利& Sons, 1995。
[5]罗伯特·恩格尔,。f .“自回归条件异方差性的估计的方差英国通货膨胀。”费雪50(1982年7月):987 - 1007。https://doi.org/10.2307/1912773。
[6]Glosten, l·R。,R. Jagannathan, and D. E. Runkle. “On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks.”《金融。48卷,5号,1993年,页1779 - 1801。
格林[7],w . H。计量经济学分析。第三。上台北:普伦蒂斯霍尔,1997年。
[8]汉密尔顿,詹姆斯D。时间序列分析。普林斯顿,纽约:普林斯顿大学出版社,1994年。
版本历史
Abrir比如
这种版本modificada德埃斯特比如。害怕Desea abrir埃斯特比如con sus modificaciones吗?
第一de MATLAB
Ha事实clic en联合国围绕此时一个埃斯特第一de MATLAB:
Ejecute el第一introduciendolo en la ventana de第一de MATLAB。洛杉矶navegadores网络没有admiten第一de MATLAB。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。