Calcula el criterio de información (AIC) de un modelo GARCH-M estimado dado (con correlaciones para pequeños tamaños de muestra).
Sintaxis
GARCHM_AIC(X, Order, mean, lambda, alphas, betas, innovation, v)
- 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)).
Orden Descripición 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 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).
Valor Descripción 1 Distribución normal o Gaussiana(por defecto) 2 Distribución t del estudiante 3 Distribución de error generalizada (GED) - v
- es la forma del parámetro (o grados de libertad) de los residuales/innovations de la función de la distribución de probabilidad.
Observaciones
- El modelo subyacente se describe aquí.
- Criterio de Información de Akaike ( AIC ) se describe aquí.
- Las series de tiempo son homogéneas e igualmente espaceadas.
- Las series de tiempo pueden incluir valores faltantes (Ej. #N/A) en cada extremo.
- Dado un conjuntos de datos fijos, muchos modelos competentes clasifican de acuerdo a su AIC, el modelo con el menor AIC es el mejor.
- El modelo GARCH-M(p,q) con Guassiano tiene p+q+3 parámetros estimados.
- El número de párametros en los argumentos de entrada - alpha - determina el orden del modelo de componentes ARCH.
- El número de párametros en los argumentos de entrada - beta - determina el orden del modelo de componentes GARCH.
Ejemplos
Ejemplo 1:
|
|
| Fórmula | Descripción (Resultado) |
|---|---|
| =GARCHM_AIC($B$2:$B$32,1,$D$3,$D$4,$D$5:$D$6,$D$7) | Criterio de la información Akaike (AIC) Para la distribución Gaussiana (96.964) |
| =GARCHM_AIC($B$2:$B$32,1,$D$3,$D$4,$D$5:$D$6,$D$7,2,5) | Criterio de la información Akaike (AIC) Para la distribución t con libertad = 5 (104.245) |
| =GARCHM_AIC($B$2:$B$32,1,$D$3,$D$4,$D$5:$D$6,$D$7,3,4) | Criterio de la información Akaike (AIC) Para GED con libertad = 4 (90.230) |
| =GARCHM_LLF($B$2:$B$32,1,$D$3,$D$4,$D$5:$D$6,$D$7) | Función de Log- Verosimilitud (-45.482) |
| =GARCHM_CHECK($D$3,$D$4,$D$5:$D$6,$D$7) | El modelo GARCH-M(1,1) estable? (1) |
Ejemplos de archivos
Enlaces Externos
Enlaces Relacionados
- 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
Comentarios
El artículo está cerrado para comentarios.