MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测
作者:互联网
原文链接:http://tecdat.cn/?p=24211
原文出处:拓端数据部落公众号
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。
garch
模型的关键参数包括:
-
GARCH 多项式,由滞后条件方差组成。阶数用P表示 。
-
ARCH多项式,由滞后平方组成。阶数用Q表示 。
P 和 Q 分别是 GARCH 和 ARCH 多项式中的最大非零滞后。其他模型参数包括平均模型偏移、条件方差模型常数和分布。
所有系数都是未知(NaN
值)和可估计的。
示例: 'ARCHLags',[1 4],'ARCH',{NaN NaN}
指定 GARCH(0,4) 模型和未知但非零的 ARCH 系,滞后 1
和 4
。
例子
创建默认 GARCH 模型
创建默认 garch
模型对象并指定其参数值。
创建 GARCH(0,0) 模型。
garch
Mdl
是一个 garch
模型。它包含一个未知常数,其偏移量为 0
,分布为 'Gaussian'
。该模型没有 GARCH 或 ARCH 多项式。
为滞后 1 和滞后 2 指定两个未知的 ARCH 系数。
ARCH = {NN NN}
该 Q
和 ARCH
性能更新为 2
和 {NaN NaN}
。两个 ARCH 系数与滞后 1 和滞后 2 相关联。
创建 GARCH 模型
garch
创建 模型 garch(P,Q)
,其中 P
是 GARCH 多项式的阶数, Q
是 ARCH 多项式的阶数。
创建 GARCH(3,2) 模型
garch(3,2)
Mdl
是一个 garch
模型对象。 Mdl
的所有属性,除了 P
, Q
和 Distribution
,是 NaN
值。默认情况下:
-
包括条件方差模型常数
-
排除条件平均模型偏移(即偏移为
0
) -
包括 ARCH 和 GARCH 滞后运算符多项式中的所有滞后项,分别达到滞后
Q
和P
。
Mdl
仅指定 GARCH 模型的函数形式。因为它包含未知的参数值,您可以通过 Mdl
和时间序列数据 estimate
来估计参数。
使用参数创建 GARCH 模型
garch
使用名称-值对参数创建 模型。
指定 GARCH(1,1) 模型。默认情况下,条件平均模型偏移为零。指定偏移量为 NaN
。
grch('GRCHas',1,'CHLas',1,'Oset',aN)
Mdl
是一个 garch
模型对象。
由于 Mdl
包含 NaN
值, Mdl
仅适用于估计。将 Mdl
时间序列数据传递给 estimate
.
创建具有已知系数的 GARCH 模型
创建一个具有平均偏移量的 GARCH(1,1) 模型,
yt=0.5+εt,
其中 εt=σtzt,
σ2t = 0.0001 + 0.75σ2t − 1 + 0.1ε2t − 1,
zt 是一个独立同分布的标准高斯过程。
garh('Conant',00001,'GACH',0.75,...
'AR H ,0.1,'Ofet'0.5)
访问 GARCH 模型属性
创建 garch
模型对象。
garch(3,2)
从模型中删除第二个 GARCH 项。即,指定第二个滞后条件方差的 GARCH 系数为 0
。
GAH{2} = 0
GARCH 多项式有两个未知参数,分别对应滞后 1 和滞后 3。
显示扰动的分布。
Ditiuton
扰动是均值为 0 且方差为 1 的高斯扰动。
指定基础 IID 扰动具有 五个自由度的t分布。
dl.Dirbton = trut('Nme','t','DF',5)
指定第一个滞后的 ARCH 系数为 0.2,第二个滞后的 ARCH 系数为 0.1。
ACH = {0.2 0.1}
要估计残差的参数,您可以将Mdl
数据传递 给 estimate
指定的参数并将其用作等式约束。或者,您可以指定其余的参数值,然后通过将完全指定的模型分别传递给simulate
或 来模拟或预测 GARCH 模型的条件方差 forecast
。
估计 GARCH 模型
将 GARCH 模型拟合到 1922-1999 年股票收益率的年度时间序列。
加载 Data
数据集。绘制收益率 ( nr
)。
RN;
fiure;
plot(daes,nr;
hod n;
pot([dtes(1) dtes(n
收益序列似乎具有非零条件平均偏移,并且似乎表现出波动聚集。也就是说,较早年份的变异性小于晚年的变异性。对于此示例,假设 GARCH(1,1) 模型适用于该序列。
创建 GARCH(1,1) 模型。默认情况下,条件平均偏移为零。要估计偏移量,请将其指定为 NaN
。
garh('GCHags',1,'ARHLgs',1,'Ofst',Na);
将 GARCH(1,1) 模型拟合到数据。
eimae(dl,r);
EstMdl
是一个完全指定的 garch
模型对象。也就是说,它不包含 NaN
值。您可以通过使用 生成残差infer
,然后对其进行分析来评估模型的充分性 。
要模拟条件方差或序列,请传递 EstMdl
到 simulate
。
要预测分布,请 EstMdl
转到 forecast
.
模拟 GARCH 模型观察序列和条件方差
从完全指定的garch
模型对象模拟条件方差或序列路径 。也就是说,从估计garch
模型或已知 garch
模型(您在其中指定所有参数值)进行模拟 。
加载 Data
数据集。
RN;
创建具有未知条件平均偏移量的 GARCH(1,1) 模型。将模型拟合到年度收益序列。
gach('GCHLgs',1,ARCLgs',1,Ofet',Na);
Est = esiae(Mnr);
从估计的 GARCH 模型模拟每个时期的 100 条条件方差和序列路径。
mOb = nul(n); % 样本大小(T)
nuths = 100; % 要模拟的路径数
rg(1); % 用于重现
[Vim,Sm] = simae(EMdl,nuOs,NumPts,umPts);
VSim
和 YSim
是 T
-by- numPaths
矩阵。行对应一个采样周期,列对应一个模拟路径。
绘制模拟路径的平均值以及 97.5% 和 2.5% 的百分位数。将模拟统计数据与原始数据进行比较。
Var = men(Vim,2);
VSI = quntie(Vi,[0.025 0.975],2);
Ymar = man(YSm,2);
YCI = qatle(Sim,[0.025 0.975],2);
pot(ae,im,);
hld on;
h2 = plt(des,Viar);
h =plo(ats,VSiCI,
hld off;
预测 GARCH 模型条件方差
从完全指定的garch
模型对象预测条件方差 。也就是说,根据估计garch
模型或garch
您指定所有参数值的已知 模型进行预测 。
加载 Data
数据集。
RN;
创建具有未知条件平均偏移量的 GARCH(1,1) 模型,并将该模型拟合到年度收益率序列。
dl = grh('GCas',1,'AHas',1,'Ofet',aN);
Edl = esate(dl,r);
使用估计的 GARCH 模型预测未来 10 年收益率序列的条件方差。将整个收益系列指定为样本前观察。软件使用样本前观测值和模型推断样本前条件方差。
numPeiods = 10;
F = foeast(EtMdl,uPes,nr);
绘制名义收益的预测条件方差。将预测与观察到的条件方差进行比较。
fgure;
pot(dtes);
hld n;
pot(dts(ed):ds(ed) + 10,[v(nd);vF]);
参考
[1] Tsay,金融时间序列的RS 分析。第 3 版。新泽西州霍博肯:John Wiley & Sons, Inc.,2010 年。
最受欢迎的见解
1.HAR-RV-J与递归神经网络(RNN)混合模型预测和交易大型股票指数的高频波动率
2.R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长
4.R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
8.matlab预测ARMA-GARCH 条件均值和方差模型
9.R语言对S&P500股票指数进行ARIMA + GARCH交易策略
标签:GARCH,方差,模型,指定,MATLAB,garch,拟合,ARCH 来源: https://blog.csdn.net/qq_19600291/article/details/121343853