使用模拟评估EGARCH预测偏差
这个例子展示了如何模拟EGARCH进程。将基于模拟的预测与最小均方误差(MMSE)预测进行了比较,显示了EGARCH过程MMSE预测的偏差。
指定EGARCH模型。
指定一个带常量的EGARCH(1,1)进程 , GARCH系数 , ARCH系数 杠杆系数 .
Mdl = egarch(“不变”, 0.01,“四国”, 0.7,...“拱”, 0.3,“杠杆”, -0.1)
描述:“egarch(1,1)条件方差模型(高斯分布)”SeriesName: "Y"分布:Name = "高斯" P: 1 Q: 1常量:0.01 GARCH: {0.7} at lag [1] ARCH: {0.3} at lag[1]杠杆:{-0.1}at lag[1]偏移量:0
模拟一个实现。
从EGARCH条件方差过程和相应的创新中模拟一个长度为50的实现。
rng默认的;%用于再现性[v,y] =模拟(Mdl,50);图subplot(2,1,1) plot(v) xlim([0,50]) title(“条件方差过程”) subplot(2,1,2) plot(y) xlim([0,50])“创新”)
模拟多个实现。
使用生成的条件方差和创新作为预样本数据,模拟50个未来时间步的EGARCH过程的5000个实现。绘制预测条件方差过程的模拟均值。
rng默认的;%用于再现性[Vsim,Ysim] =模拟(Mdl,50,“NumPaths”, 5000,...“E0”, y,“半”, v);图绘制(v,“k”)举行在情节(51:100 Vsim,“颜色”(.85 .85 .85]) xlim ([0100]) h =情节(51:100,意味着(Vsim, 2),“k——”,“线宽”2);标题(“模拟条件方差过程”)传说(h,“模拟的意思”,“位置”,“西北”)举行从
比较模拟和MMSE条件方差预测。
比较模拟平均方差,MMSE方差预测,和指数,理论无条件对数方差。
指定的EGARCH(1,1)模型的指数理论无条件对数方差为
sim = mean(Vsim,2);fcast =预测(Mdl,50,y,“半”, v);Sig2 = exp(0.01/(1-0.7));图绘制(sim卡,“:”,“线宽”, 2)在情节(fcast“r”,“线宽”, 2)情节((50,1)* sig2,“k——”,“线宽”传说,1.5)(“模拟”,“患者”,“理论”)标题(“无条件方差比较”)举行从
MMSE和指数,理论对数方差相对于无条件方差有偏差(约4%),因为根据詹森不等式,
比较模拟和MMSE对数条件方差预测。
比较模拟平均对数方差,对数MMSE方差预测,和理论,无条件对数方差。
logsim = mean(log(Vsim),2);Logsig2 = 0.01/(1-0.7);图绘制(logsim,“:”,“线宽”, 2)在情节(日志(fcast),“r”,“线宽”, 2)情节((50,1)* logsig2,“k——”,“线宽”传说,1.5)(“模拟”,“患者”,“理论”)标题(“无条件对数方差比较”)举行从
MMSE对无条件对数方差的预测是无偏的。