标签:后验 GARCH 模型 matlab MS options ARMA
原文链接:http://tecdat.cn/?p=4241
状态转换模型,尤其是马尔可夫转换(MS)模型,被认为是识别时间序列非线性的不错的方法。
估计非线性时间序列的方法是将MS模型与自回归移动平均 - 广义自回归条件异方差(ARMA - GARCH)模型相结合,但给参数估计的计算带来了困难。
我们建立了完整的MS- ARMA - GARCH模型及其贝叶斯估计。使用马尔可夫链蒙特卡罗(MCMC)方法,我们开发一种算法来计算我们模型的方案和参数的贝叶斯估计。
options = optimset('fmincon');
options = optimset(options , 'Algorithm ','interior-point');
% options = optimset(options , 'Algorithm ','active-set');
options = optimset(options, 'Hessian','bfgs');
fmincon(@(x) msarmagarch(x,data,reg,ORDERS,flag),beq,LB,UB,@(x) MSARMAGARCH(x,k,nbpara),options);
fmincon(@(x) msarmagarch(x,data,reg,ORDERS,flag),startvaltot,[],[],[],[],[],[],@(x) MSARMAGARCH(x,k,nbpara),options);
[LLF,likelihoods,~,p,pt,smoothprob,h] = msarmagarch(thetahat,data,reg,ORDERS,flag);
图1和图2比较了两种模型的估计后验概率。我们的模型能够更清晰地区分不同的状态。
图1.修正的Hamilton-Susmel模型每周收益的不同状态的后验概率。
图2.对于我们的模型,状态1-3的后验概率。
figure()
subplot(4,1,1);
plot(Domain, Data,'color'
ylim([-30,30])
接下来,我们比较两个模型的样本ACF。由于在两个模型中估计ARMA参数大致相同,因此我们仅显示样本ACF的平方残差。
然而,两种算法都在估计中显示出问题,其特征在于MCMC链收敛得非常慢以及在基于EM的算法的情况下对初始参数的强烈依赖性。
估计参数化的MS- GARCH的第二状态的后验概率
Haas 等人的第二状态的后验概率。
结论
我们开发了一种MCMC方法来计算完整MS- ARMA - GARCH模型的参数估计值,用于描述在不同市场中观察到的计量经济时间序列中的现象。
最受欢迎的见解
1.HAR-RV-J与递归神经网络(RNN)混合模型预测和交易大型股票指数的高频波动率
2.R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长
4.R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
8.matlab预测ARMA-GARCH 条件均值和方差模型
9.R语言对S&P500股票指数进行ARIMA + GARCH交易策略
标签:后验,GARCH,模型,matlab,MS,options,ARMA 来源: https://blog.51cto.com/u_15198753/2770839
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。