GARCH_FORECI - Intervalo de confianza del pronóstico GARCH

(Obsoleto) Devuelve los límites del intervalo de confianza del pronostico de la media condicional.

Sintaxis

GARCH_FORECI (X, Sigmas, Order, Mean, Alphas, Betas, Innovation, Nu, T, Alpha, Upper)

X

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

Sigmas

son los datos de la series de tiempo univariante (una matriz unidemensional de celdas (Ej. Filas o columnas)) de las ultimas volatilidades q realizadas.

Order

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

Mean

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

Alphas

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

Betas

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

Innovation

es la función de distribución de probabilidad de los resíduos/innovations (1 = Gaussiana (por defecto), 2 = t-Distribución, 3 = GED).

Valor	Innovation
1	Distribucion Normal o Gaussiana (por defecto).
2	Distribución t del estudiante.
3	Distribución de error Generalizada (GED).

Nu

es el parámetro de la forma (o grados de libertad) de la función de distribución de la probabilidad de los residualesof the innovations/residuals probability distribution function.

T

es el tiempo/horizonte (expresado en términos de pasos más allá del final de la series de tiempo).

Alpha

es el nivel de significancia estadistica. Si falta, un defecto de 5% es asumido.

Upper

Si es verdad, decuelve el limite superior del intervalo de confianza. De otra manera, devuelve el límite inferior.

Valor	Upper
0	Devuelve el límite inferior.
1	Devuelve el límite superior.

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. El nivel de significancia (Ej. $\alpha$) debe ser mayor a cero y menor a uno.De otra manera, se deveuelve un #VALOR!.
5. El número de pasos debe ser mayor a cero. De otra forma, devuelve un #VALOR!.

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.