EGARCH_RESID - EGARCH ajusta los valores de los residuos estandarizados

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

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

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).

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

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

1. El modelo subyacente se describe aquí.
2. La series de tiempo son homogéneas e igualmente espaceadas.
3. La series de tiempo puede incluiur valores faltantes (Ej. #N/A) en cada extremo.
4. El número de coeficientes gamma debe coincidir con el número de coeficientes alpha.
5. El número de parametros en los argumentos de entrada - alpha - determina el orden del modelo de componentes ARCH.
6. El número de parametros en los argumentos de entrada - beta - determina el orden del modelo de componentes GARCH.
7. Los residuos estandarizados tienen una media de cero y varianza de uno(1).
8. Los residuos estandarizados del modelo E-GARCH son definidos como:
   
   $$\epsilon_t = \frac{a_t}{\sigma_t} $$
   
   $$a_t = x_t - \mu $$
   
   Where:
   
   • $\epsilon $ es el residuo estandarizado del modelo E-GARCH en el tiempo t.
   • $a_t$ es el residuo del modelo E-GARCH en el tiempo t.
   • $x_t$ es el valor de las series de tiempo en el tiempo t.
   • $\mu$ es la media E-GARCH.
   • $\sigma_t$ es la volatilidad condicional E-GARCH en el tiempo t.

Ejemplo 1:

Ejemplos de archivos

Enlaces Relacionados

• 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