精华内容
下载资源
问答
  • 在本研究中,我们证明了使用自回归综合移动平均模型的常用方法无法有效预测所有类型的时间... 这种差距导致引入竞争模型来赶上聚类波动率和条件方差,我们凭经验记录了广义自回归条件异方差模型的高效和低误差使用。
  • 条件期望和条件方差

    千次阅读 2020-12-25 14:45:29
    1. 条件期望 1.1 定义 设XXX和YYY是离散随机变量,则XXX在给定事件Y=y{\displaystyle Y=y}Y=y条件时的条件期望是xxx的在YYY的值域的函数E⁡(X∣Y=y)=∑x∈Xx P⁡(X=x∣Y=y)=∑x∈Xx P⁡(X=x,Y=y)P⁡(Y=y)\...

    1. 条件期望

    1.1 定义
    X X X Y Y Y是离散随机变量,则 X X X在给定事件 Y = y {\displaystyle Y=y} Y=y条件时的条件期望是 x x x的在 Y Y Y的值域的函数 E ⁡ ( X ∣ Y = y ) = ∑ x ∈ X x   P ⁡ ( X = x ∣ Y = y ) = ∑ x ∈ X x   P ⁡ ( X = x , Y = y ) P ⁡ ( Y = y ) \operatorname {E}(X|Y=y)=\sum _{{x\in {\mathcal {X}}}}x\ \operatorname {P}(X=x|Y=y)=\sum _{{x\in {\mathcal {X}}}}x\ {\frac {\operatorname {P}(X=x,Y=y)}{\operatorname {P}(Y=y)}} E(XY=y)=xXx P(X=xY=y)=xXx P(Y=y)P(X=x,Y=y)其中, X {\mathcal {X}} X是处于 X X X的值域。

    如果现在 X X X是一个连续随机变量,而 Y Y Y仍然是一个离散变量,条件期望是 E ( X ∣ Y = y ) = ∫ X x f X ( x ∣ Y = y ) d x {E}(X|Y=y)=\int _{{{\mathcal {X}}}}xf_{X}(x|Y=y)dx E(XY=y)=XxfX(xY=y)dx其中, f X (   ⋅   ∣ Y = y ) f_{X}(\,\cdot \,|Y=y) fX(Y=y)是在给定 Y = y Y=y Y=y X X X的条件概率密度函数。

    1.2 概念对比

    • E ( X ) E(X) E(X)是一个数值
    • E ( X ∣ Y ) E(X|Y) E(XY)是一个关于 Y Y Y的函数,是一个随机变量
    • E ( X ∣ Y = y ) E(X|Y=y) E(XY=y)是一个定值

    1.3 条件期望的性质

    • 迭代期望定律: E ( E ( X ∣ Y ) ) = E ( X ) E(E(X|Y))=E(X) E(E(XY))=E(X)
    • 对于任意函数 g g g,有 E [ g ( Y ) ∣ Y ] = g ( Y ) E[g(Y)|Y]=g(Y) E[g(Y)Y]=g(Y)
    • X X X Y Y Y相互独立,则 E ( X ∣ Y ) = E ( X ) E(X|Y)=E(X) E(XY)=E(X)
    • E ( X ∣ Y ) = E ( X ) E(X|Y)=E(X) E(XY)=E(X),则 Cov ⁡ ( X , Y ) = 0 \operatorname{Cov}(X,Y)=0 Cov(X,Y)=0
    • X X X F \mathcal{F} F可测,则 E ( X ∣ F ) = X E(X|\mathcal{F})=X E(XF)=X

    2. 条件方差

    2.1 定义

    • 方差: Var ⁡ ( X ) = E [ ( X − μ ) 2 ] = E ( X 2 ) − [ E ( X ) ] 2 \operatorname{Var}(X)=E[(X-\mu)^2]=E(X^2)-[E(X)]^2 Var(X)=E[(Xμ)2]=E(X2)[E(X)]2
    • 条件方差: Var ⁡ ( X ∣ Y ) = E [ ( X − E ( X ∣ Y ) ) 2 ∣ Y ] = E ( X 2 ∣ Y ) − [ E ( X ∣ Y ) ] 2 \operatorname{Var}(X|Y)=E[(X-E(X|Y))^2|Y]=E(X^2|Y)-[E(X|Y)]^2 Var(XY)=E[(XE(XY))2Y]=E(X2Y)[E(XY)]2

    2.2 方差分解 Var ⁡ ( X ) = Var ⁡ [ E ( X ∣ Y ) ] + E [ Var ⁡ ( X ∣ Y ) ] \operatorname{Var}(X)=\operatorname{Var}[E(X|Y)]+E[\operatorname{Var}(X|Y)] Var(X)=Var[E(XY)]+E[Var(XY)]

    证明:对于一个随机变量 X X X,定义: g ( Y ) = E ( X ∣ Y ) , ϵ = X − g ( Y ) g(Y)=E(X|Y),\epsilon=X-g(Y) g(Y)=E(XY)ϵ=Xg(Y)可知: E ( ϵ ) = E ( X ) − E [ E ( X ∣ Y ) ] = 0 E(\epsilon)=E(X)-E[E(X|Y)]=0 E(ϵ)=E(X)E[E(XY)]=0此时, X X X的方差 Var ⁡ ( X ) = Var ⁡ [ g ( Y ) + ϵ ] = Var ⁡ [ g ( Y ) ] + Var ⁡ ( ϵ ) + 2 Cov ⁡ [ g ( Y ) , ϵ ] \operatorname{Var}(X)=\operatorname{Var}[g(Y)+\epsilon]=\operatorname{Var}[g(Y)]+\operatorname{Var}(\epsilon)+2\operatorname{Cov}[g(Y),\epsilon] Var(X)=Var[g(Y)+ϵ]=Var[g(Y)]+Var(ϵ)+2Cov[g(Y),ϵ]根据协方差的定义,有 Cov ⁡ [ g ( Y ) , ϵ ] = E [ [ g ( Y ) − E ( g ( Y ) ) ] [ ϵ − E ( ϵ ) ] ] = 0 \operatorname{Cov}[g(Y),\epsilon]=E\Bigl[[g(Y)-E(g(Y))][\epsilon-E(\epsilon)]\Bigr]=0 Cov[g(Y),ϵ]=E[[g(Y)E(g(Y))][ϵE(ϵ)]]=0 Var ⁡ ( ϵ ) = E [ X − g ( Y ) ] 2 = E [ X 2 + g ( Y ) 2 − 2 X g ( Y ) ] = E [ E [ X 2 ∣ Y ] − g ( Y 2 ) ] = E [ Var ⁡ ( X ∣ Y ) ] \operatorname{Var}(\epsilon)=E[X-g(Y)]^2=E[X^2+g(Y)^2-2Xg(Y)]=E[E[X^2|Y]-g(Y^2)]=E[\operatorname{Var}(X|Y)] Var(ϵ)=E[Xg(Y)]2=E[X2+g(Y)22Xg(Y)]=E[E[X2Y]g(Y2)]=E[Var(XY)]得证

    展开全文
  • 论文研究-多维条件方差偏度峰度建模.pdf, 为了考察多个市场或多个金融资产之间的高阶矩风险度量问题,有效地捕获收益率时间序列高阶矩动态特征,在考虑当前预期和波动性...
  • 性质 二、条件方差 1. 定义 2. 性质 条件密度函数: 条件分布函数: 一、条件数学期望 1. 随机变量的条件数学期望 ** 定义:** E(ξ | y)为随机变量 ξ 在条件η = y的条件下的条件数学期望。 得到的结果是关于y...

    条件密度函数:
    条件分布函数:

    一、条件数学期望

    1. 随机变量的条件数学期望

    ** 定义:**
    在这里插入图片描述
    E(ξ | y)为随机变量 ξ 在条件η = y的条件下的条件数学期望。

    得到的结果是关于y的一个函数,仍是一个随机变量。

    (1)离散型

    在这里插入图片描述

    (2)连续型

    在这里插入图片描述

    2. 随机变量的函数的条件数学期望

    定义:
    在这里插入图片描述

    (1)离散型

    在这里插入图片描述

    (2)连续性

    在这里插入图片描述

    3. 性质

    在这里插入图片描述

    二、条件方差

    1. 定义

    在这里插入图片描述

    2. 性质

    在这里插入图片描述

    展开全文
  • 条件方差模型

    万次阅读 多人点赞 2017-06-28 21:05:50
    方差齐性变换为异方差序列的精确拟合提供了一种很好的解决方法。但是这种方法只适用部分异方差波动序列。因为要使用方差齐性变换必须事先知道异方差函数的形式,而这不是对所有的序列都可以做到的。实践中,我们只能...

    方差齐性变换为异方差序列的精确拟合提供了一种很好的解决方法。但是这种方法只适用部分异方差波动序列。因为要使用方差齐性变换必须事先知道异方差函数的形式,而这不是对所有的序列都可以做到的。实践中,我们只能根据残差图及残差平方图所显示出来的特点,使用一些常用的函数形式估计异方差函数。
    在进行金融时间序列分析时,由于金融序列的标准差与水平之间通常具有某种正相关关系,这导致对数变化在金融时间序列中普遍采用。
    但大量的实践证明这种假设太单一化了,对数变化通常只适用于方差随均值的变化而变化的部分序列。异方差的特征有很多,我们不能通过对数变换将所有的异方差序列转化成方差齐性序列。
    这里介绍一种在金融领域广泛采用的异方差处理方法:条件异方差模型。

    ARCH模型

    一、集群效应
    在宏观经济领域和金融领域,经常可以看到具有如下特征的时间序列:它们在消除确定性非平稳因素的影响之后,残差序列的波动在大部分时段是平衡的,但是会在某些时段波动持续偏大,在某些时段波动持续偏小,呈现出集群效应(volatility cluster).
    考察1926年到1991年标准普尔500股票价值加权月度收益率序列的集群效应特征。

    k<-read.table("D:/R-TT/book4/4R/data/file22.csv",sep=",",header = T)
    x<-ts(k$returns,start = c(1926,1),frequency = 12)
    plot(x)

    标准普尔500股票价值加权月度收益率序列时序图
    标准普尔500股票价值加权月度收益率序列时序图

    #绘制序列平方图
    plot(x^2)

    标准普尔500股票价值加权月度收益率序列平方图
    标准普尔500股票价值加权月度收益率序列平方图
    考察该序列时序图,时序图显示该序列没有显著的非平稳特征,序列在0仠附近波动,大部分时期波动范围在-0.1到+0.1之间,但是在一些特殊时段,序列的波动很大,这就是集群效应特征。
    集群效应意味着在整个序列观察期,序列的方差基本是齐性的,但是是某一段或者某几段时期方差却显著异于期望方差。这时需要引入条件异方差模型。

    ARCH模型的结构

    ARCH模型的全称是自回归条件异方差模型,有时简称为条件异方差模型。
    考察异方差函数的自相关性:
    (1)自相关系数恒为零
    (2)存在某个自相关系数不为零,构造q阶自回归条件异方差模型,ARCH(q)

    ARCH模型的作用

    ARCH模型的实质是将历史波动条件信息作为条件,并采用某种自回归形式来刻画波动的变化,对于一个时间序列而言,在不同的时刻包含的历史信息不同,因而相应的条件方差也不同。利用ARCH模型可以刻画出随时间变化而变化的条件方差,它比无条件方差更及时的反映了序列即期波动的特征, 这就是ARCH模型的作用。
    它和前面介绍的ARIMA模型、残差自回归模型、确定性因素分析分解模型是两种性质的模型,它关注的是序列的波动性拟合。
    拿到一个观察值序列后,完整的分析应该关注水平和波动两个方面,我们通常会首先提取序列的水平相关信息,然后分析残差中蕴涵的波动相关信息。将这两方面的信息综合起来才是比较完整和精确分析结果。
    ####ARCH检验
    要拟合ARCH模型,首先需要进行ARCH检验。ARCH检验是一种特殊的异方差检验,它不仅要求序列具有异方差性,而且要求这种异方差性是由某种自相关关系造成,这种自相关关系可以用残差的自回归模型进行拟合。
    常用的方法是Portmanteau Q 检验和 LM检验
    1.Portmanteau Q 检验
    该方法的构造思想是:如果残差序列方差非齐,且具有集群效应,那么残差平方序列通常具有自相关性,所以方差非齐性检验可以转化成残差平方序列的自相关性检验。
    H0:残差平方序列纯随机
    H1:残差平方序列自相关
    当Q(q)检验统计量的p值小于显著水平a时,拒绝原假设,认为该序列方差非齐性具有自相关性。
    2. LM检验
    拉格朗日乘子检验。构造思想:如果残差序列方差非齐,具有集群效应,那么残差平方序列且有自相关性。那么我们尝试使用自回归模型(ARCH(q)模型)拟合残差平方序列。于是方差齐性检验就可以转化成是否具有显著性成立的检验。
    H0:残差平方序列纯随机
    H1:残差平方序列具有自相关性
    当LM(q)检验统计量的p值小于显著性水平a时,拒绝原假设,认为该序列方差非齐,并且可以用q阶自回归模型拟合残差平方序列中自相关关系。
    在R语言中做拉格朗日乘子检验之前,需要先下载FTS程序包,并用library函数调用该包。 在这个包里有一个ArchTest函数做LM检验。而Portmanteau Q检验其实就是对残差平方序列进行纯属随机性检验。所以对残差平方序列进行纯随机性检验。所以对残差序列进行平方运算之后,只要调用Box.test函数就可以完成Portmanteau Q检验。
    拟合ARCH模型可以调用tseries包中的garch函数,garch函数的命令格式为:
    garch(x,order=)

    -x:序列名
    -order:拟合模型阶数
    (1)拟合ARCH(q)模型为 order = c(0,q)
    (2)拟合GARCH(p,q)模型为 order = c(p,q)

    对1926-1991年标准普尔500股票价值加权月度收益率序列进行ARCH检验,并拟合该序列的特征波动。

    > library(zoo)
    > library(FinTS)
    > for(i in 1:5) print(ArchTest(x,lag=i))
    
        ARCH LM-test; Null hypothesis: no ARCH effects
    
    data:  x
    Chi-squared = 55.521, df = 1, p-value = 9.248e-14
    
    
        ARCH LM-test; Null hypothesis: no ARCH effects
    
    data:  x
    Chi-squared = 68.292, df = 2, p-value = 1.443e-15
    
    
        ARCH LM-test; Null hypothesis: no ARCH effects
    
    data:  x
    Chi-squared = 87.129, df = 3, p-value < 2.2e-16
    
    
        ARCH LM-test; Null hypothesis: no ARCH effects
    
    data:  x
    Chi-squared = 87.282, df = 4, p-value < 2.2e-16
    
    
        ARCH LM-test; Null hypothesis: no ARCH effects
    
    data:  x
    Chi-squared = 87.492, df = 5, p-value < 2.2e-16
    > #Portmanteau Q检验
    > for(i in 1:5) print(Box.test(x^2,lag=i))
    
        Box-Pierce test
    
    data:  x^2
    X-squared = 55.545, df = 1, p-value = 9.137e-14
    
    
        Box-Pierce test
    
    data:  x^2
    X-squared = 85.09, df = 2, p-value < 2.2e-16
    
    
        Box-Pierce test
    
    data:  x^2
    X-squared = 126.06, df = 3, p-value < 2.2e-16
    
    
        Box-Pierce test
    
    data:  x^2
    X-squared = 138.74, df = 4, p-value < 2.2e-16
    
    
        Box-Pierce test
    
    data:  x^2
    X-squared = 141.9, df = 5, p-value < 2.2e-16

    LM检验和Q检验都显示该序列显著方差非齐,且残差平方序列具有显著自相关,可以用ARCH模型提取残差平方序列中蕴涵的相关关系。而LM检验和Q检验都显示1阶至5阶ARCH模型均显著成立,这说明残差平方序列具有长期相关,ARCH(q)模型的阶数q将会比较大。本例尝试拟合ARCH(5)和ARCH(4).

    > library(tseries)
    > x.fit<-garch(x,order=c(0,5))
    summary(x.fit)
    
    Call:
    garch(x = x, order = c(0, 5))
    
    Model:
    GARCH(0,5)
    
    Residuals:
        Min      1Q  Median      3Q     Max 
    -6.3060 -0.4211  0.1695  0.7381  4.5386 
    
    Coefficient(s):
        Estimate  Std. Error  t value Pr(>|t|)    
    a0 1.156e-03   8.348e-05   13.853  < 2e-16 ***
    a1 4.750e-02   3.147e-02    1.509    0.131    
    a2 2.014e-01   2.417e-02    8.333  < 2e-16 ***
    a3 2.203e-01   4.793e-02    4.596 4.30e-06 ***
    a4 2.006e-01   4.360e-02    4.600 4.23e-06 ***
    a5 1.243e-02   3.388e-02    0.367    0.714    
    ---
    Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
    
    Diagnostic Tests:
        Jarque Bera Test
    
    data:  Residuals
    X-squared = 404.86, df = 2, p-value < 2.2e-16
    
    
        Box-Ljung test
    
    data:  Squared.Residuals
    X-squared = 0.0306, df = 1, p-value = 0.8611
    
    

    有参数不显著,降阶处理

    library(tseries)
    x.fit<-garch(x,order=c(0,4))
    summary(x.fit)
    Call:
    garch(x = x, order = c(0, 4))
    
    Model:
    GARCH(0,4)
    
    Residuals:
        Min      1Q  Median      3Q     Max 
    -6.2693 -0.4193  0.1683  0.7407  4.5441 
    
    Coefficient(s):
        Estimate  Std. Error  t value Pr(>|t|)    
    a0 1.175e-03   8.276e-05   14.193  < 2e-16 ***
    a1 4.955e-02   2.936e-02    1.688   0.0914 .  
    a2 2.011e-01   2.393e-02    8.402  < 2e-16 ***
    a3 2.175e-01   4.715e-02    4.612 3.98e-06 ***
    a4 2.054e-01   4.195e-02    4.897 9.74e-07 ***
    ---
    Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
    
    Diagnostic Tests:
        Jarque Bera Test
    
    data:  Residuals
    X-squared = 395.67, df = 2, p-value < 2.2e-16
    
    
        Box-Ljung test
    
    data:  Squared.Residuals
    X-squared = 0.020552, df = 1, p-value = 0.886

    还是有参数不显著,接着降阶。

    library(tseries)
    x.fit<-garch(x,order=c(0,3))
    summary(x.fit)
    Call:
    garch(x = x, order = c(0, 3))
    
    Model:
    GARCH(0,3)
    
    Residuals:
        Min      1Q  Median      3Q     Max 
    -6.2420 -0.3985  0.1671  0.7501  4.4193 
    
    Coefficient(s):
        Estimate  Std. Error  t value Pr(>|t|)    
    a0 1.437e-03   6.903e-05   20.809  < 2e-16 ***
    a1 7.954e-02   2.821e-02    2.820   0.0048 ** 
    a2 2.231e-01   2.587e-02    8.624  < 2e-16 ***
    a3 2.732e-01   4.384e-02    6.232 4.61e-10 ***
    ---
    Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
    
    Diagnostic Tests:
        Jarque Bera Test
    
    data:  Residuals
    X-squared = 585.27, df = 2, p-value < 2.2e-16
    
    
        Box-Ljung test
    
    data:  Squared.Residuals
    X-squared = 8.8831e-06, df = 1, p-value = 0.9976
    

    参数显著并通过检验。

    #绘制条件异方差模型拟合的95%置信区间
    x.pred<-predict(x.fit)
    plot(x.pred)

    绘制条件异方差模型拟合的95%置信区间
    绘制条件异方差模型拟合的95%置信区间

    #条件异方差置信区间和方差齐性置信区间比较图示
    plot(x)
    lines(x.pred[,1],col=2)
    lines(x.pred[,2],col=2)
    abline(h=1.96*sd(x),col=4,lty=2)
    abline(h=-1.96*sd(x),col=4,lty=2)

    条件异方差置信区间和方差齐性置信区间比较图示
    条件异方差置信区间和方差齐性置信区间比较图示
    上图给出了条件异方差模型拟合的95%置信区间的范围,考虑到原序列的波动特征,显然条件异方差模型更好的拟合了原序列的集群效应波动特征,显示条件异方差模型拟合的置信区间比无条件方差两条平行线给出95%置信区间更加符合原序列的真实波动情况,这说明条件异方差模型对序列波动的预测将会更加准确。

    展开全文
  • SHA条件方差模型.doc

    2020-05-14 10:33:06
    上证指数 SHA 条件方差模型 1. 创建工作文件(workfile Eviews 主选菜单中选:File/New/Workfile, 选择 Undated or irregular, 输入 Observations:2473 1991:01:02 2000:12:29 2. 录入数据,对序列初步分析 在 ...
  • 条件方差模型(一)

    千次阅读 2019-12-03 23:06:16
    条件方差模型(一) 最近忙着理清毕业论文的思路,学习了一些波动率预测的模型嘻嘻!好记性不如烂笔头,先写下来~最近经过某大佬指点,发现镜像地址下载R以及packages的速度好快,也一并记下来! 镜像地址的...

    条件异方差模型(一)

    最近忙着理清毕业论文的思路,学习了一些波动率预测的模型嘻嘻!好记性不如烂笔头,先写下来~最近经过某大佬指点,发现镜像地址下载R以及packages的速度好快,也一并记下来!

    1. 镜像地址的使用
      在Rstudio中,在菜单栏中找到Tools–Global Options–Packages–修改CRAM mirror:China (Beijing) [https] - TUNA Team, Tsinghua University。清华果然好用哈哈哈~R下载的时候,官网上有CRAN mirror的下载端口哦,就不多加解释啦!

    2. 上证综指波动率预测
      就这样开始以解决问题的方式学习啦!But问题接踵而来:
      啥是波动率?
      某度给出如下解释(基本等于没讲):波动率是金融资产价格的波动程度,是对资产收益率不确定性的衡量,用于反映金融资产的风险水平。
      不太严谨的解释就是方差(标准差)。
      波动率有啥模型可以预测咧?
      从低配到高配:
      ARMA(短期预测)
      ARIMA(股票市盈率短期预测、股价变动趋势预测)
      ARCH(上证指数收益率波动)
      GARCH(股价序列波动)
      HAR-RV(处理高频实现的波动率)
      还有一些神经网络、机器学习就不说了,我肯定不会噗!
      那就选个中规中矩的GARCH好了!
      数据下载与处理
      从国泰安的数据库中下载了上证综指的日收盘价(2013-01-04至2019-11-29),并求对数收益率。
      ARMA-GARCH模型的建立
      在该模型建立之前,首先需要保证对数收益率序列的平稳性,结合对数收益率的图像并进行ADF单位根检验:
      在这里插入图片描述
      在这里插入图片描述
      P值小于0.05,可认为序列平稳。

      接下来用auto.arima进行自动定阶:
      在这里插入图片描述
      对数收益率服从ARMA(2,3)的均值方程。

      建立以ARMA(2,3)为基础的GARCH模型:
      在这里插入图片描述
      系数检验都挺显著的!一些其他检验因为本人偷懒就先略过了,实际操作时还是要一步步来,严谨严谨再严谨!

    展开全文
  • 计量学向量自回归和自回归条件方差模型.pptx
  • 条件方差模型.doc_高铁梅老师的EVIEWS教学课件
  • 方差分解公式

    2021-04-07 20:19:46
    在有些时候,直接计算随机变量的方差非常麻烦,此时可以用方差分解公式,将方差分解为条件期望的方差加条件方差的期望: Var(X)=Var[E(X∣Y)]+E[Var(X∣Y)] \text{Var}(X)=\text{Var}[\text{E}(X|Y)]+\text{E}[\text...
  • 方差

    2015-09-21 18:59:52
    方差 样本中各数据与样本平均数的差的平方和的平均数叫做样本方差;样本方差的算术平方根叫做样本标准差。样本方差和样本标准差都是衡量一个样本波动大小的量,样本方差或样本标准差越大,样本数据的波动就...
  • 此示例显示MATLAB如何从复合条件均值和方差模型预测 和条件差异。 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...
  • 噪声方差位置条件下的视频目标跟踪
  • 现代金融风险管理中,利用条件方差模型进行金融时间序列分析扮演着十分重要的角色,最典型的应用是基于观察到的离散时间价格或对数收益率序列做出管理决策。本文试图建立一种新的条件方差模型去拟合资产收益率时间...
  • 论文研究-基于条件方差分析的水文时序模型及其应用.pdf, 针对条件方差现象在水文过程的时序研究中常被忽略的情况,建立了水文过程时间序列分析和预测模型. 首先, ...
  • 总体方差和样本方差

    万次阅读 多人点赞 2018-05-09 22:44:37
    讨论了总体方差和样本方差的区别
  • 代码适用于 T. Goda, 45(1):63-67, ORL, 2017 的 Var-of-CE 估计... 在 Goda 示例 3 中,可以看到 Var-of-CE 估计的封闭形式方差降低了 15%。代码调用脚本 ANOVA_Multiple_n_ks_Var_Of_CE_Estimator.m(单独上传)。
  • Sun、Apley 和 Staum, OR, 2011 提出了一种基于方差分析的 Var-of-CE 估计器,我们将其称为基于 n* 的 Var-of-CE 估计器。 用于 Var-of-CE 的不同基于方差分析的估计器的公式,发布为 IIM Kozhikode 工作论文 IIMK/...
  • 此示例显示如何使用估计复合条件均值和方差模型estimate。 加载数据并指定模型 加载NASDAQ数据 。为了数值平稳,将数据转换为收益率。建立AR(1)和GARCH(1,1)模型。 load Data_EquityIdx nasdaq = DataTable....
  • 此示例显示MATLAB如何从复合条件均值和方差模型预测 和条件差异。 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; ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 51,777
精华内容 20,710
关键字:

条件方差