EGARCH_AIC - Criterio de información de Akaike (AIC) de un modelo EGARCH

el criterio de información Akaike (AIC) de un modelo EGARCH estimado (con correcciones para pequeños tamaños de muestra).

Sintaxis

EGARCH_AIC(X, Order, Mean, Alphas, Gammas, Betas, Innovation, v)

X

son los datos de series de tiempo univariante (una matriz/array dimensional de celdas (Ej. filas o columnas)).

Orden

es el tiempo en la series de datos (Ej. el primer punto corresponde a la fecha (la fecha más temprana fecha = 1 (por defecto), la última fecha = 0).

Value	Orden
1	Ascendente (el primer punto corresponde a la fecha más temprana (por defecto).
0	Descendente (el primer punto corresponde a la última fecha).

Mean

es la media del modelo E-GARCH (Ej. mu).

Alphas

son los parámetros del componente de modelo ARCH(p) (comenzando con el lag más bajo).

Gammas

son los parámetros de apalancamiento (comenzando con el lag más bajo).

Betas

son los parámetros del modelo componente GARCH(q) (comenzando con el lag más bajo).

Innovación

es la probabilidad del modelo de distribución para los residuos/innovaciones (1 = Gaussian (por defecto), 2 = t-Distribución, 3 = GED).

Valor	Innovación
1	Distribución normal o Gaussiana (por defecto).
2	Distribución t del estudiante.
3	Distribución de error generalizada (GED).

v

es la forma del parámetro (o grados de libertad) de la función de distribucion de probailidad de residuos/innovations.

Observaciones

1. El modelo subyacente se describe aquí.
2. Criterio de Información de Akaike ( AIC ) se describe aquí.
3. La series de tiempo son homogéneas e igualmente espaceadas.
4. La series de tiempo puede incluiur valores faltantes (Ej. #N/A) en cada extremo.
5. Dado un conjunto de datos fijos, varios modelos de la competencia pueden ser de acuerdo a su AIC , el modelo con el más bajo AIC es el mejor
6. El modelo EGARCH(p,q) tiene 2p+q+2 parámtros estimados
7. El número de los parámetros en los argumentos de entrada - alpha - determina el orden del modelo de componentes ARCH.
8. El número de parámetros en los argumentos de entrada - beta- determina el orden del modelo de componentes GARCH.

Ejemplos de archivos

Enlaces Relacionados

• Wikipedia - Criterio de información de Akaike.
• Wikipedia - Autoregressive conditional heteroskedasticity.

Referencias

• Hamilton, J.D.; Time Series Analysis, Princeton University Press (1994), ISBN 0-691-04289-6.
• Tsay, Ruey S.; Analysis of Financial Time Series John Wiley & SONS. (2005), ISBN 0-471-690740.