GARCHM_RESID - Residuales GARCHM

Devuelve una matriz/array para los resíduos estandarizados del modelo ajustado GRACH-M.

Sintaxis

GARCHM_RESID (X, Order, Mean, Lambda, Alphas, Betas, Innovation, ν)

X

son los datos de serie de tiempo univariante (una matriz unidimensional de celdas (Ej. filas o columnas)).

Order

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

Valor	Order
1	Ascendente (El primer punto corresponde a la fecha más temprana (por defecto).
0	Descendente (El primer punto corresponde ala última fecha).

Mean

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

Lambda

es el coeficiente de volatilidad para la media. En finanzas, lambda se refiere a una prima de riesgo. Si falta, un 0 por defecto es asumido.

Alphas

son los parámetros del componente de modelo ARCH(p) (empezando por el desfase más bajo).

Betas

son los parámetros del modelo componente GARCH(q) (empezando por el desfase más bajo).

Innovation

es el modelo de distribución de probabilidad para los residuales (1 = Gaussiana (por defecto), 2 = t-Distribución, 3 = GED).

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

ν

es el parámetro de la muestra (o grados de libertad) de la función de los residuales de la función de probabilidad. Si falta, un defecto de 5.0 es asumido.

Observaciones

1. El modelo subyacente se describe aquí.
2. Las series de tiempo son homogéneas e igualmente espaceadas.
3. Las series de tiempo pueden incluir valores faltantes (Ej. #N/A) en cada extremo.
4. Los resíduos estandarizados tienen una media de cero y una varianza de uno (1).
5. Los resíduos estandarizados del modelo GARCH_M son definidos como: $$\epsilon_t = \frac{a_t}{\sigma_t} $$ $$a_t = x_t - \mu -\lambda \sigma_t $$ Donde:
   • $\epsilon $ es el resíduo estandarizado del modelo GARCH-M en el tiempo $t$.
   • $a_t$ es el resíduo del modelo GARCH-M en el tiempo $t$.
   • $x_t$ es el valor de las series de tiempo en el tiempo $t$.
   • $\mu$ es la media de GARCH-M.
   • $\sigma_t$ es la volatilidad condicional GARCH-M en el tiempo $t$.
   • $\lambda$ is the volatility coefficient in the conditional mean.
6. El número de parámetros del argumento de entrada - alpha - determina el orden del modelo componente ARCH.
7. El número de parámetros del argumento de entrada - beta - determina el orden del modelo componente GARCH.

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.