拓端tecdat|matlab预测ARMA-GARCH 条件均值和方差模型

全文链接： tecdat.cn/?p=2841

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

时间序列分析模型 ARIMA-ARCH GARCH模型分析股票价格数据

此示例显示MATLAB如何从条件均值和方差模型预测。

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

展开全文

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);

复制代码

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

复制代码

编辑

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）。