GARCH

GARCH条件方差时间序列模型

扩大所有页面

描述

使用GARCH指定一个单变量GARCH（广义自回归条件异方差）模型。该GARCH函数返回一个GARCH对象，指定a的函数形式GARCH（P，Q）模型，并将其参数值。

一个关键组成部分GARCH型号包括：

GARCH多项式，它是由滞后条件方差的。度由表示P。
ARCH多项式，它是由滞后平方创新。度由表示Q。

P和Q是分别在GARCH和ARCH多项式，最大非零滞后。其他模型组件包括一个创新均值模型偏移，条件方差模型常数，创新分配。

所有系数均为未知数(为NaN值）和难能可贵的，除非你使用的名称 - 值对参数语法指定其值。为了估计包含所有或部分未知的参数值给定的数据，使用模型估计。对于使用完全指定模型（模型，其中所有的参数值是已知的），模拟或预测响应模拟要么预测，分别。

创建

句法

MDL = GARCH

Mdl = garch (P, Q)

MDL = GARCH（名称，值）

描述

例

MDL= GARCH返回零度条件方差GARCH宾语。

例

MDL= GARCH（P，Q）创建一个GARCH条件方差模型对象(MDL)，而GARCH多项式的次数为P和ARCH多项式具有一定程度的Q。该GARCH和ARCH多项式包含1所有连续的滞后通过他们的学位，并且所有系数均为为NaN值。

这种简写语法使您能够创建一个模板，您可以在其中显式地指定多项式度数。模型模板适用于不受约束的参数估计，即不受任何参数相等约束的估计。但是，在创建模型之后，可以使用点符号更改属性值。

例

MDL= GARCH（名称，值）套性能或使用名称 - 值对的参数的附加选项。在引号每个名字。例如，'ARCHLags'，[1〜4]， 'ARCH'，{0.2 0.3}指定两个ARCH系数拱在滞后1和4。

这种longhand语法使您能够创建更灵活的模型。

输入参数

全部展开

语法速记为您打造适合于无限制的参数估计模型模板的简便方法。例如，为了创建一个GARCH（1,2）含有未知参数值的模式，输入：

MDL = GARCH（1,2）;

为了估计期间征收的参数值等式约束，设置合适的属性使用点符号值。

`P`-GARCH次多项式
非负整数

GARCH多项式次数，指定为非负整数。在GARCH多项式中Ť，MATLAB^®包括来自滞后的所有连续条件方差项Ť- 图1至滞后Ť-P。

您可以使用指定此参数GARCH(P, Q)速记只有语法。

如果P> 0，则必须指定Q作为一个正整数。

例：GARCH（1,1）

数据类型:双

`Q`-ARCH次多项式
非负整数

ARCH多项式度，指定为一个非负整数。在ARCH多项式和时间Ť， MATLAB中包含了所有来自滞后的连续平方创新项Ť- 图1至滞后Ť-Q。

您可以使用指定此参数GARCH(P, Q)速记只有语法。

如果P> 0，则必须指定Q作为一个正整数。

例：GARCH（1,1）

数据类型:双

名称 - 值对参数

指定可选的用逗号分隔的对名称，值参数。名称是参数的名称和值是对应的值。名称必须出现引号内。您可以按照任何顺序指定多个名称和值对参数名1，值1，...，NameN，值N。

该手写语法允许您创建，其中一些或所有的系数被称为模型。在估计，估计对任何已知参数施加相等约束。

例：“ARCHLags”,[1 - 4],“拱”,{南南}指定GARCH（0,4）模型和未知的，但非零，ARCH系数矩阵在滞后1和4。

`'GARCHLags'`-GARCH多项式滞后
`1:P`(默认)|独特的正整数数值向量

GARCH多项式滞后，指定为逗号分隔的一对组成的'GARCHLags'和独特的正整数数值向量。

GARCHLags (Ĵ）是对应于系数的滞后GARCH {Ĵ}。的长度GARCHLags和GARCH必须相等。

假设所有GARCH系数（由指定的GARCH属性）是正或为NaN值马克斯(GARCHLags)的值P属性。

例：'GARCHLags'，[1〜4]

数据类型:双

`'ARCHLags'`-ARCH多项式滞后
`1:问`(默认)|独特的正整数数值向量

ARCH多项式滞后，指定为由逗号分隔对组成'ARCHLags'和独特的正整数数值向量。

ARCHLags（Ĵ）是对应于系数的滞后拱{Ĵ}。的长度ARCHLags和拱必须相等。

假设所有ARCH系数（由指定的拱属性）是正或为NaN值MAX（ARCHLags）的值Q属性。

例：'ARCHLags'，[1〜4]

数据类型:双

属性

全部展开

当您使用的名称 - 值对参数语法创建模型对象，你可以设置可写的属性值，或者在您通过使用点符号模型对象。例如，为了创建一个GARCH（1,1）具有未知的系数模型，然后指定一个Ť未知自由度的创新分配，请输入：

Mdl = garch (“GARCHLags”1“ARCHLags”, 1);Mdl.Distribution=“T”;

`P`-GARCH次多项式
非负整数

此属性是只读的。

GARCH多项式次数，指定为非负整数。P是在GARCH多项式的最大滞后用系数是正的或为NaN。落后于小于P可具有系数等于0。

P指定的样品前体条件方差的最小数目需要初始化模型。

如果您使用名称-值对参数来创建模型，那么MATLAB将实现这些替代方法之一(假设最大滞后系数为正或为NaN）：

如果您指定GARCHLags，然后P是中国最大的指定滞后。
如果您指定GARCH，然后P为指定值的元素的数目。如果您还指定GARCHLags，然后GARCH使用GARCHLags确定P代替。
除此以外，P是0。

数据类型:双

`Q`-ARCH次多项式
非负整数

此属性是只读的。

ARCH多项式度，指定为一个非负整数。Q是在ARCH多项式的最大滞后用系数是正的或为NaN。落后于小于Q可具有系数等于0。

Q指定样品前创新的最低数量要求启动该模式。

如果您使用名称-值对参数来创建模型，那么MATLAB将实现这些替代方法之一(假设最大滞后系数为正或为NaN）：

如果您指定ARCHLags，然后Q是中国最大的指定滞后。
如果您指定拱，然后Q为指定值的元素的数目。如果您还指定ARCHLags，然后GARCH使用其值来确定Q代替。
除此以外，Q是0。

数据类型:双

`不变`-条件方差模型常数
`为NaN`(默认)|正标量

条件方差模型常数，指定为正的标量或为NaN值。

数据类型:双

`GARCH`-GARCH多项式系数
正标量的细胞载体或`为NaN`值

GARCH多项式系数，指定为正标量的细胞载体或为NaN值。

如果您指定GARCHLags，则适用下列条件。
- 的长度GARCH和GARCHLags是相等的。
- GARCH {Ĵ}是滞后系数GARCHLags (Ĵ）。
- 默认情况下,GARCH是一个numel（GARCHLags）的×1细胞载体为NaN值。
否则，应用以下条件。
- 长度GARCH是P。
- GARCH {Ĵ}是滞后系数Ĵ。
- 默认情况下,GARCH是一个P的×1细胞载体为NaN值。

的系数GARCH对应于系数的底层LagOp滞后算子多项式，并进行了近零容差排除试验。如果你把系数设为1E-12或以下,GARCH排除了该系数及其相应的滞后项GARCHLags从模型。

数据类型:细胞

`拱`-ARCH多项式系数
正标量的细胞载体或`为NaN`值

ARCH多项式系数，指定为正标量的细胞载体或为NaN值。

如果您指定ARCHLags，则适用下列条件。
- 的长度拱和ARCHLags是相等的。
- 拱{Ĵ}是滞后系数ARCHLags（Ĵ）。
- 默认情况下,拱是一个numel（ARCHLags）的×1细胞载体为NaN值。
否则，应用以下条件。
- 长度拱是Q。
- 拱{Ĵ}是滞后系数Ĵ。
- 默认情况下,拱是一个Q的×1细胞载体为NaN值。

的系数拱对应于系数的底层LagOp滞后算子多项式，并进行了近零容差排除试验。如果你把系数设为1E-12或以下,GARCH排除了该系数及其相应的滞后项ARCHLags从模型。

数据类型:细胞

`UnconditionalVariance`-模型的无条件方差
正标量

此属性是只读的。

该模型无条件方差，指定为正标量。

无条件方差

$σ_{ε}^{2} = \frac{κ}{（ 1 - Σ_{一世 = 1}^{P} γ_{一世} - Σ_{Ĵ = 1}^{Q} α_{Ĵ} ）} 。$

κ是条件方差模型常数（不变）。

数据类型:双

`抵消`-创新均值模型偏移
`0`(默认)|数字标|`为NaN`

创新均值模型偏移量，或添加剂恒定，指定为数字标量或为NaN值。

数据类型:双

`分配`-创新过程的条件概率分布
`“高斯”`(默认)|`“T”`|结构阵列

创新过程的条件概率分布，指定为字符串或结构阵列。GARCH存储值作为一个结构阵列。

分配	串	结构数组
高斯	`“高斯”`	`结构（“名称”，“高斯”）`
学生的Ť	`“T”`	`结构（ '名称'， “T”， '自由度'，DOF）`

该“自由度”字段指定Ť分布自由度的参数。

自由度> 2或自由度=为NaN。
自由度是有价值的。
如果您指定“T”，自由度是为NaN默认情况下。您可以通过使用点符号创建模型之后更改它的值。例如，Mdl.Distribution.DoF = 3。
如果您提供一个结构数组来指定学生Ť分布，则必须同时指定'名称'和“自由度”领域。

例：结构（ '名称'， “T”， '景深'，10）

`描述`-模型描述
串标|特征向量

模型的描述中，指定为字符串标量或特征向量。GARCH将值存储为字符串标量。例如，默认值描述模型的参数形式“GARCH（1,1）的条件方差模型（高斯分布）”。

例：“说明”，“模式1”

数据类型:字符串|烧焦

注意

所有为NaN-valued模型参数，这些参数包括系数和Ť- 创新分配自由度（如果存在的话），是可估计的。当你通过由此而来GARCH对象和数据，以估计，MATLAB估计所有为NaN-valued参数。在估计，估计已知参数如等式约束对待，即，估计保持固定在它们的值的任何已知的参数。

对象函数

`估计`	根据数据拟合条件方差模型
`过滤`	通过条件方差模型滤波干扰
`预测`	从条件方差模型预测条件方差
`推断`	条件方差模型的推断条件方差
`模拟`	条件方差模型的蒙特卡罗模拟
`总结`	条件方差模型的显示估计结果

例子

全部收缩

创建默认的GARCH模型

开立真实脚本

创建一个默认GARCH模型对象和使用点记号指定其参数值。

建立GARCH（0,0）模型。

MDL = GARCH

MDL = GARCH具有属性：说明： “GARCH（0,0）的条件方差模型（高斯分布）” 分布：名称= “高斯” P：0问：0常数：NaN的GARCH：{} ARCH：{}偏移：0

MDL是一个GARCH模型。它包含一个未知的常数，它的偏移量0，创新分布是“高斯”。该模型没有GARCH或ARCH多项式。

指定使用点符号滞后一到两个两个未知ARCH系数。

Mdl.ARCH = {楠楠}

MDL = GARCH具有属性：说明： “GARCH（0,2）的条件方差模型（高斯分布）” 分布：名称= “高斯” P：0问：2常数：NaN的GARCH：{} ARCH：{楠楠}在滞后[1 2]偏移量：0

该Q和拱属性更新2和{楠楠}。这两个拱系数与滞后系数1和滞后系数2有关。

建立GARCH模型使用简写语法

开立真实脚本

创建一个GARCH模型采用速记符号garch (P, Q),在那里P是GARCH多项式的程度，Q是ARCH多项式的程度。

建立GARCH（3,2）模型。

Mdl = garch (2)

描述:“garch(3,2)条件方差模型(高斯分布)”分配: Name = "Gaussian" P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN NaN} at lags [1 2 3] ARCH: {NaN NaN} at lags [1 2] Offset: 0

MDL是一个GARCH模型对象。的所有属性MDL，除P，Q和分配，是为NaN值。默认情况下，软件:

包括条件方差模型常数
排除一个条件均值模型偏移（即，偏移量是0）
包括在ARCH和GARCH滞后运营商多项式所有的滞后项高达滞后Q和P，分别

MDL只指定GARCH模型的功能形式。因为它包含未知的参数值，所以可以传递MDL和时间序列数据估计来估计参数。

使用Longhand语法创建GARCH模型

开立真实脚本

创建一个GARCH使用模型名称 - 值对的参数。

指定GARCH（1,1）模型。默认情况下，条件均值模型偏移量为零。指定偏移量为为NaN。

MDL = GARCH（'GARCHLags',1'ARCHLags',1“偏移”，NAN）

MDL = GARCH具有属性：说明： “GARCH（1,1）条件方差模型与偏移（高斯分布）” 分布：名称= “高斯” P：1 Q：1常数：NaN的GARCH：{}的NaN在滞后[1] ARCH：{}的NaN在滞后[1]偏移：NaN的

MDL是一个GARCH模型对象。软件将所有参数(模型对象的属性)设置为为NaN，除P，Q和分配。

以来MDL包含为NaN值MDL是仅适用于只是估计。通过MDL和时间序列数据估计。

与已知的系数建立GARCH模型

开立真实脚本

建立GARCH（1,1）模型的平均偏差，

$ÿ_{Ť} = 0 。五 + ε_{Ť} ，$

哪里 $ε_{Ť} = σ_{Ť} ž_{Ť} ，$

$σ_{Ť}^{2} = 0 。 0001 + 0 。 7 五 σ_{Ť - 1}^{2} + 0 。 1 ε_{Ť - 1}^{2} ，$

和 $ž_{Ť}$ 是独立同分布的标准高斯过程。

MDL = GARCH（'不变'，0.0001，'GARCH'，0.75，...'拱'，0.1％，“偏移”，0.5）

MDL = GARCH具有属性：说明： “GARCH（1,1）条件方差模型与偏移（高斯分布）” 分布：名称= “高斯” P：1 Q：1常数：0.0001 GARCH：{0.75}在延迟[1] ARCH：{0.1}在延迟[1]偏移量：0.5

GARCH分配缺省值到任何属性你不名称 - 值对参数指定。

访问GARCH模型属性

开立真实脚本

访问的属性GARCH使用点符号模型对象。

创建一个GARCH模型对象。

Mdl = garch (2)

描述:“garch(3,2)条件方差模型(高斯分布)”分配: Name = "Gaussian" P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN NaN} at lags [1 2 3] ARCH: {NaN NaN} at lags [1 2] Offset: 0

从模型中移除第二GARCH项。即，指定该第二的GARCH系数滞后条件方差是0。

Mdl.GARCH {2} = 0

描述:“garch(3,2)条件方差模型(高斯分布)”分配: Name = "Gaussian" P: 3 Q: 2 Constant: NaN GARCH: {NaN NaN} at lags [1 3] ARCH: {NaN NaN} at lags [1 2] Offset: 0

该GARCH多项式具有对应于滞后1和3两个未知参数。

显示扰动的分布。

Mdl.Distribution

ANS =同场的结构：名称:“高斯”

扰动是高斯均值为0，方差为1。

指定潜在的I.I.D.干扰有一个Ť5个自由度的分布。

Mdl.Distribution =结构（'名称'，'T'，“自由度”，5）

MDL = GARCH具有属性：说明： “GARCH（3,2）的条件方差模型（t分布）” 分布：名称= “T”，自由度= 5 P：3 Q：2常数：NaN的GARCH：{楠楠}在滞后[1 3] ARCH：{楠楠}在滞后[1 2]偏移量：0

指定该ARCH系数是0.2为第一滞后和0.1为第二滞后。

Mdl。一种RCH = {0.2 0.1}

MDL = GARCH具有属性：说明： “GARCH（3,2）的条件方差模型（t分布）” 分布：名称= “T”，自由度= 5 P：3 Q：2常数：NaN的GARCH：{楠楠}在滞后[1 3] ARCH：{0.2 0.1}在滞后[1 2]偏移量：0

为了估计剩余的参数，你可以通过MDL与您的数据估计并使用指定的参数等式约束。或者，您可以指定参数值的其余部分，然后由完全指定模型传递到从GARCH模型模拟或预报的条件方差模拟要么预测，分别。

估计GARCH模型

开立真实脚本

适合GARCH模型，从1922年至1999年的年度时间序列丹麦名义股票收益的。

加载Data_Danish数据集。绘制名义回报率（NR）。

加载Data_Danish;nr = DataTable.RN;图;情节(日期、nr);保持上;图（[时间（1）时间（结束）]，[0 0]，'R：');% Plot y = 0保持离;标题（“丹麦的名义股票收益率);ylabel（'名义收益率（％）');xlabel（'年');

名义收益率系列似乎有一个非零的条件平均偏移，似乎表现出波动性聚集。也就是说，前几年的变化比后几年的小。对于本例，假设GARCH(1,1)模型适用于本系列。

建立GARCH（1,1）模型。条件均值偏移默认为零。为了估计偏移，将其指定为为NaN。

MDL = GARCH（'GARCHLags',1'ARCHLags',1“偏移”大，NaN）;

将GARCH(1,1)模型与数据相匹配。

EstMdl =估计（MDL，NR）;

GARCH（1,1）条件方差模型与偏移（高斯分布）：值StandardError的TStatistic p值_________ _____________ __________ _________常数0.0044476 0.007814 0.56918 0.56923 GARCH {1} 0.84932 0.26495 3.2056 0.0013477 ARCH {1} 0.07325 0.14953 0.48986 0.62423 0.11227偏移0.039214 2.8629 0.0041974

EstMdl是一部全面规定GARCH模型对象。也就是说，它不包含为NaN值。您可以使用评估通过生成残差模型的充分性推断，然后对其进行分析。

为了模拟条件方差或响应，通EstMdl至模拟。

预测创新，通EstMdl至预测。

模拟GARCH模型观测值和条件方差

开立真实脚本

从完全指明的模拟条件方差或响应路径GARCH模型对象。也就是说，模拟从一个估计GARCH模型或已知GARCH在您指定的所有参数值模型。

加载Data_Danish数据集。

加载Data_Danish;nr = DataTable.RN;

建立GARCH（1,1）与未知模型条件均值偏移。符合模型在年名义回报率序列。

MDL = GARCH（'GARCHLags',1'ARCHLags',1“偏移”大，NaN）;EstMdl =估计（MDL，NR）;

GARCH（1,1）条件方差模型与偏移（高斯分布）：值StandardError的TStatistic p值_________ _____________ __________ _________常数0.0044476 0.007814 0.56918 0.56923 GARCH {1} 0.84932 0.26495 3.2056 0.0013477 ARCH {1} 0.07325 0.14953 0.48986 0.62423 0.11227偏移0.039214 2.8629 0.0041974

模拟条件方差和响应的100条路径，用于从估计的GARCH模型的每个周期。

numObs = numel（NR）;%样本量(T)numPaths = 100;的路径，以模拟％数RNG（1）;％用于重现[VSIM，YSim] =模拟（EstMdl，numObs，'NumPaths'，numPaths）;

VSIM和YSim是Ť-通过-numPaths矩阵。行对应于一个取样周期，并且列对应于一个模拟路径。

积的平均值和所述模拟路径的97.5％和2.5％百分位数。比较仿真统计原始数据。

VSimBar =意味着(VSim, 2);VSimCI =分位数(VSim，[0.025 0.975]，2);YSimBar =意味着(YSim, 2);YSimCI =分位数(YSim，[0.025 0.975]，2);图;次要情节(2,1,1);h1 =情节(日期、VSim'颜色'，0.8 *也是（1,3））;保持上;H2 =图（日期，VSimBar，'K--'，“线宽”，2）;H3 =图（日期，VSimCI，“r——”，“线宽”，2）;保持离;标题（模拟的条件方差的);ylabel（'条件。变种“。);xlabel（'年');副区（2,1,2）;H1 =图（日期，YSim，'颜色'，0.8 *也是（1,3））;保持上;h2 =情节(日期、YSimBar'K--'，“线宽”，2）;H3 =图（日期，YSimCI，“r——”，“线宽”，2）;保持离;标题（“模拟名义回报”);ylabel（'名义收益率（％）');xlabel（'年');传奇([h1 h2 (1) h3 (1)), {“模拟路径”'意思'“置信区间”},...“字形大小”，7，'位置'，'西北');

预测GARCH模型的条件方差

开立真实脚本

有条件的预测从一个完全指定的方差GARCH模型对象。也就是说，从估计预测GARCH模型或已知GARCH在您指定的所有参数值模型。该示例从如下估计GARCH模型。

加载Data_Danish数据集。

加载Data_Danish;nr = DataTable.RN;

建立GARCH（1,1）与未知条件均值偏移模型，以及模型拟合年度，名义回报系列。

MDL = GARCH（'GARCHLags',1'ARCHLags',1“偏移”大，NaN）;EstMdl =估计（MDL，NR）;

GARCH（1,1）条件方差模型与偏移（高斯分布）：值StandardError的TStatistic p值_________ _____________ __________ _________常数0.0044476 0.007814 0.56918 0.56923 GARCH {1} 0.84932 0.26495 3.2056 0.0013477 ARCH {1} 0.07325 0.14953 0.48986 0.62423 0.11227偏移0.039214 2.8629 0.0041974

利用所估计的GARCH模型预测的名义回报率序列的条件方差10年到未来。指定整个收益率序列作为样品前观察。使用样品前观测和模型软件推断样品前条件方差。

numPeriods = 10;VF =预测（EstMdl，numPeriods，NR）;

绘制名义收益率的预测条件方差。比较预测观测到的条件方差。

v =推断(EstMdl nr);图;情节(日期、v、凯西:”，“线宽”，2）;保持上;图（时间（结束）：时间（结束）+ 10，[V（端部）;室颤]'R'，“线宽”，2）;标题（“名义收益率的预测条件方差”);ylabel（“条件方差”);xlabel（'年');传说（{“估计样品COND。变种“。，“预测COND。变种“。},...'位置'，'最好');

变量	描述	属性
μ	创新均值模型常数偏移	`“偏移”`
κ> 0	条件方差模型常数	`'不变'`
$γ_{一世} \geq 0$	GARCH组件系数	`'GARCH'`
$α_{Ĵ} \geq 0$	ARCH组件系数	`'拱'`
ž_Ť	独立随机变量的系列均值为0，方差为1	`'分配'`

提示

你可以指定一个GARCH建模为条件均值和方差的模型组合物的一部分。有关详细信息，请参阅华宇。

参考

[1]纂，R.S。财务时间序列分析。3版，霍博肯，新泽西州:约翰威利和儿子公司，2010年。

也可以看看

对象

华宇|EGARCH|GJR

GARCH

描述

创建

句法

描述

输入参数

P-GARCH次多项式非负整数

Q-ARCH次多项式非负整数

名称 - 值对参数

'GARCHLags'-GARCH多项式滞后1:P(默认)|独特的正整数数值向量

'ARCHLags'-ARCH多项式滞后1:问(默认)|独特的正整数数值向量

属性

P-GARCH次多项式非负整数

Q-ARCH次多项式非负整数

不变-条件方差模型常数为NaN(默认)|正标量

GARCH-GARCH多项式系数正标量的细胞载体或为NaN值

拱-ARCH多项式系数正标量的细胞载体或为NaN值

UnconditionalVariance-模型的无条件方差正标量

抵消-创新均值模型偏移0(默认)|数字标|为NaN

分配-创新过程的条件概率分布“高斯”(默认)|“T”|结构阵列

描述-模型描述串标|特征向量

注意

对象函数

例子

创建默认的GARCH模型

建立GARCH模型使用简写语法

使用Longhand语法创建GARCH模型

与已知的系数建立GARCH模型

访问GARCH模型属性

估计GARCH模型

模拟GARCH模型观测值和条件方差

预测GARCH模型的条件方差

更多关于

GARCH模型

提示

参考

也可以看看

对象

主题

介绍了在R2012a

计量经济学工具箱文档

万博1manbetx

用MATLAB建模金融风险的实用指南

`P`-GARCH次多项式
非负整数

`Q`-ARCH次多项式
非负整数

`'GARCHLags'`-GARCH多项式滞后
`1:P`(默认)|独特的正整数数值向量

`'ARCHLags'`-ARCH多项式滞后
`1:问`(默认)|独特的正整数数值向量

`P`-GARCH次多项式
非负整数

`Q`-ARCH次多项式
非负整数

`不变`-条件方差模型常数
`为NaN`(默认)|正标量

`GARCH`-GARCH多项式系数
正标量的细胞载体或`为NaN`值

`拱`-ARCH多项式系数
正标量的细胞载体或`为NaN`值

`UnconditionalVariance`-模型的无条件方差
正标量

`抵消`-创新均值模型偏移
`0`(默认)|数字标|`为NaN`

`分配`-创新过程的条件概率分布
`“高斯”`(默认)|`“T”`|结构阵列

`描述`-模型描述
串标|特征向量