全文链接：http://tecdat.cn/?p=24211
最近我们被客户要求撰写关于GARCH的研究报告，包括一些图形和统计输出。
使用 garch 指定一个单变量GARCH（广义自回归条件异方差）模型 （ 点击文末“阅读原文”获取完整代码数据******** ）。
garch 模型的关键参数包括：
- GARCH 多项式，由滞后条件方差组成。阶数用_P_表示 。
- ARCH多项式，由滞后平方组成。阶数用_Q_表示 。
P 和 Q 分别是 GARCH 和 ARCH 多项式中的最大非零滞后。其他模型参数包括平均模型偏移、条件方差模型常数和分布。
所有系数都是未知（NaN 值）和可估计的。
示例： 'ARCHLags',[1 4],'ARCH',{NaN NaN} 指定 GARCH(0,4) 模型和未知但非零的 ARCH 系，滞后 1 和 4。
例子
创建默认 GARCH 模型
创建默认 garch 模型对象并指定其参数值。
创建 GARCH(0,0) 模型。
garch
Md 是一个 garch 模型。它包含一个未知常数，其偏移量为 0，分布为 'Gaussian'。该模型没有 GARCH 或 ARCH 多项式。
为滞后 1 和滞后 2 指定两个未知的 ARCH 系数。
ARCH = {NN NN}
该 Q 和 ARCH 性能更新为 2 和 {NaN NaN}。两个 ARCH 系数与滞后 1 和滞后 2 相关联。
创建 GARCH 模型
garch 创建 模型 garch(P,Q)，其中 P 是 GARCH 多项式的阶数， Q 是 ARCH 多项式的阶数。
创建 GARCH(3,2) 模型
garch(3,2)
Md 是一个 garch 模型对象。 Md的所有属性，除了 P， Q和 Distribution，是 NaN 值。默认情况下：
- 包括条件方差模型常数
- 排除条件平均模型偏移（即偏移为
0） - 包括 ARCH 和 GARCH 滞后运算符多项式中的所有滞后项，分别达到滞后
Q和P。
Md仅指定 GARCH 模型的函数形式。因为它包含未知的参数值，您可以通过 Md 和时间序列数据 estimate 来估计参数。
使用参数创建 GARCH 模型
garch 使用名称-值对参数创建 模型。
指定 GARCH(1,1) 模型。默认情况下，条件平均模型偏移为零。指定偏移量为 NaN。
grch('GRCHas',1,'CHLas',1,'Oset',aN)
Md 是一个 garch 模型对象。
由于 Md包含 `NaN` 值， Md仅适用于估计。将 ``Md时间序列数据传递给 estimate.
创建具有已知系数的 GARCH 模型
创建一个具有平均偏移量的 GARCH(1,1) 模型，
yt=0.5+εt,
其中 εt=σtzt，
σ2t = 0.0001 + 0.75σ2t − 1 + 0.1ε2t − 1，
zt 是一个独立同分布的标准高斯过程。
garh('Conant',00001,'GACH',0.75,...
'AR H ,0.1,'Ofet'0.5)
访问 GARCH 模型属性
创建 garch 模型对象。
garch(3,2)
从模型中删除第二个 GARCH 项。即，指定第二个滞后条件方差的 GARCH 系数为 0。
GAH{2} = 0
GARCH 多项式有两个未知参数，分别对应滞后 1 和滞后 3。
显示扰动的分布。
Ditiuton
扰动是均值为 0 且方差为 1 的高斯扰动。
指定基础 IID 扰动具有 五个自由度的_t_分布。
dl.Dirbton = trut('Nme','t','DF',5)
指定第一个滞后的 ARCH 系数为 0.2，第二个滞后的 ARCH 系数为 0.1。
ACH = {0.2 0.1}
要估计残差的参数，您可以将``Md数据传递 给 estimate 指定的参数并将其用作等式约束。或者，您可以指定其余的参数值，然后通过将完全指定的模型分别传递给simulate 或 来模拟或预测 GARCH 模型的条件方差 forecast。
估计 GARCH 模型
将 GARCH 模型拟合到 1922-1999 年股票收益率的年度时间序列。
加载 Data数据集。绘制收益率 ( nr)。
RN;
fiure;
plot(daes,nr;
hod n;
pot([dtes(1) dtes(n
收益序列似乎具有非零条件平均偏移，并且似乎表现出波动聚集。也就是说，较早年份的变异性小于晚年的变异性。对于此示例，假设 GARCH(1,1) 模型适用于该序列。
点击标题查阅往期内容
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
左右滑动查看更多
01
02
03
04
创建 GARCH(1,1) 模型。默认情况下，条件平均偏移为零。要估计偏移量，请将其指定为 NaN。
garh('GCHags',1,'ARHLgs',1,'Ofst',Na);
将 GARCH(1,1) 模型拟合到数据。
eimae(dl,r);
Est是一个完全指定的 garch 模型对象。也就是说，它不包含 NaN 值。您可以通过使用 生成残差infer，然后对其进行分析来评估模型的充分性 。
要模拟条件方差或序列，请传递 Est 到 simulate。
要预测分布，请 Est转到 forecast.
模拟 GARCH 模型观察序列和条件方差
从完全指定的garch 模型对象模拟条件方差或序列路径 。也就是说，从估计garch 模型或已知 garch 模型（您在其中指定所有参数值）进行模拟 。
加载 Data 数据集。
RN;
创建具有未知条件平均偏移量的 GARCH(1,1) 模型。将模型拟合到年度收益序列。
gach('GCHLgs',1,ARCLgs',1,Ofet',Na);
Est = esiae(Mnr);
从估计的 GARCH 模型模拟每个时期的 100 条条件方差和序列路径。
mOb = nul(n); % 样本大小（T）
nuths = 100; % 要模拟的路径数
rg(1); % 用于重现
[Vim,Sm] = simae(EMdl,nuOs,NumPts,umPts);
VSim 和 YSim 是 T-by- numPaths 矩阵。行对应一个采样周期，列对应一个模拟路径。
绘制模拟路径的平均值以及 97.5% 和 2.5% 的百分位数。将模拟统计数据与原始数据进行比较。
Var = men(Vim,2);
VSI = quntie(Vi,[0.025 0.975],2);
Ymar = man(YSm,2);
YCI = qatle(Sim,[0.025 0.975],2);
pot(ae,im,);
hld on;
h2 = plt(des,Viar);
h =plo(ats,VSiCI,
hld off;
预测 GARCH 模型条件方差
从完全指定的garch 模型对象预测条件方差 。也就是说，根据估计garch 模型或garch 您指定所有参数值的已知 模型进行预测 。
加载 Data 数据集。
RN;
创建具有未知条件平均偏移量的 GARCH(1,1) 模型，并将该模型拟合到年度收益率序列。
dl = grh('GCas',1,'AHas',1,'Ofet',aN);
Edl = esate(dl,r);
使用估计的 GARCH 模型预测未来 10 年收益率序列的条件方差。将整个收益系列指定为样本前观察。软件使用样本前观测值和模型推断样本前条件方差。
numPeiods = 10;
F = foeast(EtMdl,uPes,nr);
绘制名义收益的预测条件方差。将预测与观察到的条件方差进行比较。
fgure;
pot(dtes);
hld n;
pot(dts(ed):ds(ed) + 10,[v(nd);vF]);
参考
[1] Tsay，_金融时间序列的_RS 分析。第 3 版。John Wiley & Sons, Inc.，2010 年。
点击文末 “阅读原文”
获取全文完整资料。
本文选自《MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测》。
点击标题查阅往期内容
R语言ARMA GARCH COPULA模型拟合股票收益率时间序列和模拟可视化
ARMA-GARCH-COPULA模型和金融时间序列案例
时间序列分析：ARIMA GARCH模型分析股票价格数据
GJR-GARCH和GARCH波动率预测普尔指数时间序列和Mincer Zarnowitz回归、DM检验、JB检验
【视频】时间序列分析：ARIMA-ARCH / GARCH模型分析股票价格
时间序列GARCH模型分析股市波动率
PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化
极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析
Garch波动率预测的区制转移交易策略
金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据
R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化
Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测R语言GARCH-DCC模型和DCC（MVT）建模估计
Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
R语言时间序列GARCH模型分析股市波动率
R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模
R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析
R语言多元Copula GARCH 模型时间序列预测
R语言使用多元AR-GARCH模型衡量市场风险
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言用Garch模型和回归模型对股票价格分析
GARCH（1,1），MA以及历史模拟法的VaR比较
matlab估计arma garch 条件均值和方差模型R语言POT超阈值模型和极值理论EVT分析