GARCH条件方差时间序列模型
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。
返回零度条件方差MDL
= GARCHGARCH
宾语。
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);
P
-GARCH次多项式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
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。
“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 (
是对应于系数的滞后Ĵ
)GARCH {
。的长度Ĵ
}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(
是对应于系数的滞后Ĵ
)拱{
。的长度Ĵ
}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
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 {
是滞后系数Ĵ
}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 {
是滞后系数Ĵ
}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{
是滞后系数Ĵ
}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{
是滞后系数Ĵ
}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
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
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。
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。
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。
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
。
建立GARCH(1,1)模型的平均偏差,
哪里
和 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。
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
。
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');
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');
一种GARCH模型是一个动态的模型,它的地址条件异或波动聚类,在一个创新处理。当创新过程中不会表现出显著自相关出现波动聚类,但这个过程的变化随时间变化。
甲GARCH模型假定,当前条件方差是这些线性过程的总和,对于每个项系数:
过去条件方差(在GARCH组分或多项式)
过去平方创新(ARCH成分或多项式)
为创新均值和条件方差模型常数偏移
考虑时间序列
哪里 在GARCH(P,Q)条件方差过程, ,具有形式
在滞后算子表示法中,模型为
该表显示了这些变量如何对应的属性GARCH
模型对象。
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' |
GARCH组件系数 | 'GARCH' |
|
ARCH组件系数 | '拱' |
|
žŤ | 独立随机变量的系列均值为0,方差为1 | '分配' |
平稳性和积极性,GARCH模型使用这些约束:
恩格尔的原始拱(Q)模型等价于a GARCH(0,Q)规范。
GARCH模型是在适当的时候大小相等的正面和负面冲击同样的波动贡献[1]。
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
。
[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。
Existe UNA版本修订于德埃斯特ejemplo EN苏SISTEMA。¿Prefiere abrir ESTA版本?
您单击对应于该MATLAB命令的链接:
通过在MATLAB命令窗口中输入该命令来运行它。Web浏览器不支持MATLAB命令。万博1manbetx
您还可以选择从下面的列表中的网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。