主要内容

过滤器

通过条件方差模型过滤干扰

折叠所有页面

语法

[V,Y] = filter(Mdl,Z)
[V,Y] = filter(Mdl,Z,Name,Value)

描述

例子

［V，Y= filter(Mdl，Z）过滤干扰(Z)通过完全指定的条件方差模型(Mdl)以产生条件方差(v)及回应(y）.Mdl可以是garch，egarch,或gjr模型。

例子

［V，Y= filter(Mdl，Z，名称,值）使用一个或多个指定的附加选项过滤干扰名称,值对参数。例如，您可以指定预采样扰动和条件方差路径。

例子

全部折叠

打开实时脚本

指定一个具有高斯创新的GARCH(1,1)模型。

Mdl = garch(“不变”, 0.005,“四国”, 0.8,“拱”, 0.1);

采用蒙特卡罗仿真对模型进行仿真。然后，对模拟创新进行标准化和筛选。

rng (1);%用于再现性[v,e] =模拟(Mdl,100，“E0”0,“半”, 0.05);Z = e /√(v);[V,E] = filter(Mdl,Z，“Z0”0,“半”, 0.05);

的输出确认模拟而且过滤器都是相同的。

isequal (v, v)
ans =逻辑1

逻辑值1确认两个输出是相同的。

打开实时脚本

指定具有高斯创新的EGARCH(1,1)模型。

Mdl = egarch(“不变”, -0.1,“四国”, 0.8,“拱”, 0.3,.．.“杠杆”, -0.05);

模拟25个系列的标准高斯观测100个周期。

rng (1);%用于再现性Z = randn(100,25);

Z表示100个周期25条同步扰动路径。

通过EGARCH(1,1)模型对扰动路径进行滤波，得到25条条件方差路径。

V = filter(Mdl,Z);

画出条件方差的路径。

图;情节(V);标题(“条件方差路径”）;包含(“时间”）;

图中包含一个轴对象。标题为Conditional Variance Paths的axes对象包含25个line类型的对象。

打开实时脚本

指定一个具有高斯创新的GJR(1,2)模型。

Mdl = gjr(“不变”, 0.005,“四国”, 0.8,“拱”{0.1 - 0.01},.．.“杠杆”{0.05 - 0.01});

模拟25个标准高斯观测序列102个周期。

rng (1);%用于再现性Z = randn(102,25);

Z表示102个周期同步扰动的25条路径。

通过GJR(1,2)模型对扰动路径进行滤波，得到25,100条条件方差周期路径。指定前两个扰动作为预采样观测。

V = filter(Mdl,Z(3:end，:))，“Z0”Z (1:2));

画出条件方差的路径。

图;情节(V);标题(“条件方差路径”）;包含(“时间”）;

图中包含一个轴对象。标题为Conditional Variance Paths的axes对象包含25个line类型的对象。

输入参数

全部折叠

不含任何未知参数的条件方差模型，指定为garch，egarch,或gjr模型对象。

Mdl不能包含具有的属性南价值。

驱动创新过程的扰动路径，以数值矢量或矩阵形式指定。给定方差过程σt2以及扰动过程zt，创新的过程是

ε t ＝ σ t z t ．

作为一个列向量，Z表示底层扰动序列的单个路径。

作为一个矩阵，行的Z与周期相对应。列对应不同的路径。任何一行的观测都是同时发生的。

的最后一个元素或最后一行Z包含最新的观察。

请注意

南S表示缺失值。过滤器将这些值从Z按列表顺序删除。该软件删除的任何行Z至少有一个南．删除南数据中的S减少了样本量，也可以创建不规则的时间序列。

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。

在R2021a之前，使用逗号分隔每个名称和值，并将其括起来的名字在报价。

例子:' z0 '，[1 1;0.5 0.5]，' v0 '，[1 0.5;1 0.5]指定两条等价的创新预采样路径和两条不同的条件方差预采样路径。

预采样扰动路径，指定为数值矢量或矩阵。Z0提供输入扰动序列的初始值，Z．

  • 如果Z0那么它是列向量吗过滤器将其应用于每个输出路径。

  • 如果Z0是矩阵，那么它的列数至少和Z．如果Z0列数大于Z,然后过滤器使用第一个大小(Z, 2)只列。

Z0至少要有Mdl。问行初始化条件方差模型。如果行数Z0超过Mdl。问,然后过滤器仅使用最新所需的观测数。

最后一个元素或行包含最新的观察结果。

默认情况下,过滤器将任何必要的预采样扰动设置为从中提取的独立标准化扰动序列Mdl。分布．

数据类型:双

正向预采样条件方差路径，指定为数值向量或矩阵。半为模型中的条件方差提供初始值。

  • 如果半那么它是列向量吗过滤器将其应用于每个输出路径。

  • 如果半是矩阵，那么它的列数至少和Z．如果半列数大于Z,然后过滤器使用第一个大小(Z, 2)只列。

半至少要有max (Mdl.P Mdl.Q)行初始化方差方程。如果行数半超过了必要的数量过滤器仅使用最新所需的观测数。

最后一个元素或行包含最新的观察结果。

默认情况下,过滤器将任何必要的预采样条件方差设置为流程的无条件方差。

数据类型:双

笔记

  • 南S表示缺失值。过滤器删除缺失的值。该软件合并预样本数据(Z0而且半)与干扰(Z)，然后使用列表删除删除至少包含一个的行南．删除南数据中的S减少了样本量。删除南S也可以创建不规则时间序列。

  • 过滤器假设同步预采样数据，使每个预采样系列的最新观测同时发生。

输出参数

全部折叠

条件方差路径，作为列向量或矩阵返回。V表示与之相关的均值为零的异方差创新的条件方差Y．

的维度V而且Z是等价的。如果Z是矩阵，那么列的V过滤后的条件方差路径是否对应于的列Z．

行V周期是否对应于的周期性Z．

响应路径，作为数值列向量或矩阵返回。Y通常表示具有条件方差的均值为零的异方差创新时间序列V．

Y也可以表示均值为零的异方差创新加上偏移量的时间序列。如果Mdl因此，包括偏移量过滤器将偏移量添加到底层的均值-零，异方差创新。因此,Y表示偏移调整创新的时间序列。

如果Z是矩阵，那么列的Y过滤后的响应路径是否对应于的列Z．

行Y周期是否对应于的周期性Z．

选择

过滤器概括模拟．这两个函数都对一系列扰动进行滤波，以产生输出响应和条件方差。然而,模拟根据条件方差模型对象中的分布，自动生成一系列均值-零、单位-方差、独立和同分布(iid)的扰动，Mdl．相比之下,过滤器让你直接指定你自己的扰动。

参考文献

[1] Bollerslev, T.“广义自回归条件异方差”。计量经济学杂志。卷31,1986，第307-327页。

[2] Bollerslev, T.“投机价格和回报率的有条件异方差时间序列模型”。《经济学与统计学评论》．卷69,1987，第542-547页。

[3]博克斯，g.e.p, g.m.詹金斯，g.c.赖塞尔。时间序列分析:预测与控制．恩格尔伍德悬崖，新泽西州:普伦蒂斯大厅，1994年。

恩德斯，W。应用计量经济学时间序列．霍博肯，新泽西州:约翰·威利父子，1995年。

[5]恩格尔，R. F.《英国通货膨胀方差估计的自回归条件异方差》。费雪．第50卷，1982，第987-1007页。

[6] j.d.汉密尔顿时间序列分析．普林斯顿，新泽西州:普林斯顿大学出版社，1994。

版本历史

在R2012a中引入

另请参阅

对象

功能

主题