GARCHM_RESID - Residuales GARCHM

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)).

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

lambda es la media del coeficiente de volatilidad. En finanzas, lambda hace referencia a una prima de riesgo.

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

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

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

v es la forma del parámetro (o grados de libertad) de los residuales/innovations de la función de la distribución de probabilidad.

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:
   $$\epsilon_t = \frac{a_t}{\sigma_t} $$
   $$a_t = x_t - \mu -\lambda \sigma_t $$
   Where:
   
   • $\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.

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