EGARCH_FORECI - Pronóstico del intervalo de confianza del modelo EGARCH

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

Sintaxis

X

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

Sigmas

son los datos univariantes de la series de tiempo (una matriz unidimensional de filas o columnas (Ej. filas o columnas)) de las últimas volatilidades q realizadas.

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)).

Orden	Descripción
1	ascendente (el primer punto corresponde a la fecha más temprana (por defecto).
0	descendente (el primer punto corresponde a la ultima 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).

innovation

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

valor	Descripción
1	Distribución normal o Gaussiana (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.

T

es el pronóstico de tiempo/horizonte (expresado en terminos mas lla de las series de tiempo).

alpha-level

es el nivel estadístico significativo. SI falta, un 5% es asumido por defecto.

upper

Si es verdad, devuelve los límites del intervalo de confianza. De otra manera, devuelve el límite inferior.

Upper	Descripción
0	devuelve un límite superior.
1	devuelve un límite inferior.

Observaciones

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. Si la series de tiempo tienen valores intermedios perdidos (Ej. #N/A), la función devuelve #N/A.
5. El nivel significativo (Ej. $\alpha$) debe ser más grande que cero y menor a uno. De otra manera, devuelve un #VALOR!
6. El número de coeficientes gamma debe coincidir con el número de coeficientes alpha.
7. El número de parametros en los argumentos de entrada - alpha - determina el orden del modelo de componentes ARCH.
8. El número de parametros en los argumentos de entrada - beta - determina el orden del modelo de componentes 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