matlab预测ARMA-GARCH 条件均值和方差模型

此示例显示MATLAB如何从条件均值和方差模型预测。

由Kaizong Ye,Sherry Deng撰写

加载工具箱附带的纳斯达克数据。将条件均值和方差模型拟合到数据中。

步骤1加载数据并拟合模型 

加载工具箱附带的纳斯达克数据。将条件均值和方差模型拟合到数据中。

 
 
nasdaq = DataTable.NASDAQ;
r = price2ret(nasdaq);
N = length(r);
fit = estimate(mode ,r,'Variance0',{'Constant0',0.001});
 
    ARIMA(1,0,0) Model (t Distribution):
 
                  Value      StandardError    TStatistic      PValue  
                _________    _____________    __________    __________
 
    Constant    0.0012326     0.00018163         6.786      1.1528e-11
    AR{1}        0.066389       0.021398        3.1026       0.0019182
    DoF            14.839         2.2588        6.5693      5.0539e-11
 
 
 
    GARCH(1,1) Conditional Variance Model (t Distribution):
 
                  Value       StandardError    TStatistic      PValue  
                __________    _____________    __________    __________
    Constant    3.4488e-06     8.3938e-07        4.1087      3.9788e-05
    GARCH{1}       0.82904       0.015535        53.365               0
    ARCH{1}        0.16048       0.016331        9.8268      8.6333e-23
    DoF             14.839         2.2588        6.5693      5.0539e-11
[E0,V0] = infer(fit,r);

第2步预测收益和条件差异 

使用forecast计算收益率:条件方差为1000周期的未来数据的MMSE预测。

使用观察到的收益率和推断残差以及条件方差作为预采样数据。

条件方差预测收敛于GARCH条件方差模型的渐近方差。预测的收益收敛于估计的模型常数(AR条件均值模型的无条件均值)。


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。Kaizong Ye拓端研究室(TRL)的研究员。在此对他对本文所作的贡献表示诚挚感谢,他在上海财经大学完成了统计学专业的硕士学位,专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498

关注有关新文章的微信公众号


永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds