此示例显示MATLAB如何从条件均值和方差模型预测。
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。
可下载资源
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);
AR模型:自回归模型,是一种线性模型.AR模型是一种线性预测,即已知N个数据,可由模型推出第N点前面或后面的数据(设推出P点),所以其本质类似于插值。
MA模型:移动平均法模型,其中使用趋势移动平均法建立直线趋势的预测模型
ARMA模型:自回归滑动平均模型,拟合较高阶模型.模型参量法高分辨率谱分析方法之一。这种方法是研究平稳随机过程有理谱的典型方法。它比AR模型法与MA模型法有较精确的谱估计及较优良的谱分辨率性能,但其参数估算比较繁琐。
GARCH模型:广义回归模型,对误差的方差建模,适用于波动性的分析和预测.是ARCH模型的拓展, GARCH对误差的 方差进行了进一步的建模,特别适用于波动性的分析和 预测。
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。
[Y,YMS E,V] = forecast(fit, 100 0,'Y 0',r,'E0', E0, 'V0' ,V0);
upper = Y + 1.96*sqrt(YMSE);
lower = Y - 1.96*sqrt(YMSE);
figure
subplot(2,1,1)
plot(r,'Color',[.75,.75,.75])
hold on
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是拓端研究室(TRL)的研究员。Kaizong Ye是拓端研究室(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!