拓端tecdat|matlab估计armagarch条件均值和方差模型

全文链接：http://tecdat.cn/?p=3889

原文出处：拓端数据部落公众号

相关视频：时间序列分析：ARIMA GARCH模型分析股票价格数据

此示例显示如何估计条件均值和方差模型。

加载数据并指定模型 

加载NASDAQ数据 。为了使数值平稳，将数据转换为收益率。建立AR（1）和GARCH（1,1）模型。

load Data_EquityIdx
nasdaq = DataTable.NASDAQ;
r = 100*price2ret(nasdaq);
T = length(r);Mdl = arima(&＃39;ARLags&＃39;,1,&＃39;Variance&＃39;,garch(1,1))
Mdl = arima with properties:Description: "ARIMA(1,0,0) Model (Gaussian Distribution)"Distribution: Name = "Gaussian"P: 1D: 0Q: 0Constant: NaNAR: {NaN} at lag [1]SAR: {}MA: {}SMA: {}Seasonality: 0Beta: [1×0]Variance: [GARCH(1,1) Model]

不使用预采样数据估计模型参数 

 使用estimate。使用estimate自动生成的预采样样本。

EstMdl = estimate(Mdl,r);ARIMA(1,0,0) Model (Gaussian Distribution):Value StandardError TStatistic PValue ________ _____________ __________ __________Constant 0.072632 0.018047 4.0245 5.7087e-05AR{1} 0.13816 0.019893 6.945 3.7845e-12GARCH(1,1) Conditional Variance Model (Gaussian Distribution):Value StandardError TStatistic PValue ________ _____________ __________ __________Constant 0.022377 0.0033201 6.7399 1.5852e-11GARCH{1} 0.87312 0.0091019 95.927 0ARCH{1} 0.11865 0.008717 13.611 3.4339e-42

估计显示五个估计参数及其对应的标准误差（AR（1），条件均值模型具有两个参数，GARCH（1,1）条件方差模型具有三个参数。

推断条件方差和标准化残差

推断并绘制条件方差和标准化残差。 输出对数似然目标函数值。

[res,v,logL] = infer(EstMdl,r);figure
subplot(2,1,1)
plot(v)
xlim([0,T])
title(&＃39;Conditional Variance&＃39;)subplot(2,1,2)
plot(res./sqrt(v))
xlim([0,T])
title(&＃39;Standardized Residuals&＃39;)

在2000个样本之后，条件方差增加。看到波动性增加。

标准化残差在标准正态分布下具有比预期更大的值 。 

拟合具有t分布的模型 

修改模型为Student&＃39;s t分布 ，指定方差模型常量项的初始值。

MdlT = Mdl;
MdlT.Distribution = &＃39;t&＃39;;
EstMdlT = estimate(MdlT,r,&＃39;Variance0&＃39;,{&＃39;Constant0&＃39;,0.001});ARIMA(1,0,0) Model (t Distribution):Value StandardError TStatistic PValue ________ _____________ __________ __________Constant 0.093488 0.016694 5.6002 2.1412e-08AR{1} 0.13911 0.018857 7.3771 1.6175e-13DoF 7.4775 0.88261 8.472 2.4125e-17GARCH(1,1) Conditional Variance Model (t Distribution):Value StandardError TStatistic PValue ________ _____________ __________ __________Constant 0.011246 0.0036305 3.0976 0.0019511GARCH{1} 0.90766 0.010516 86.316 0ARCH{1} 0.089897 0.010835 8.2966 1.0712e-16DoF 7.4775 0.88261 8.472 2.4125e-17

当t分布时，系数估计值会略有变化。第二个模型拟合（EstMdlT）有一个额外的参数估计，即t分布自由度。估计的自由度相对较小（约为8），表明有明显误差。

比较模型拟合 

使用赤池信息准则（AIC）和贝叶斯信息准则（BIC）比较两种模型拟合 。首先，获得第二拟合的对数似然目标函数值。

[resT,vT,logLT] = infer(EstMdlT,r);
[aic,bic] = aicbic([logL,logLT],[5,6],T)
aic = 1×2
103 ×9.4929 9.3807bic = 1×2
103 ×9.5230 9.4168

第二个模型有六个参数，而第一个模型中有五个参数 。尽管如此，两个信息标准都支持具有学生t分布的模型。 

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.使用r语言进行时间序列（arima，指数平滑）分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测