EGARCH_SIM - Simulación basada en EGARCH

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 las series de timepot (ana matriz/array dimensional (Ej. filas o columnas)) de las 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)).

mean es la media marginal (incondicional) (Ej. mu) del modelo E-GARCH.

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 (Gaussian (por defecto), 2= t- Distribución, 3=GED).

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

T es el patrón de simulación tiempo/horizonte (expresado en terminos de pasos mas allá de las series de tiempo).

seed es un número entero sin signo para establecer el número generador (es) aleatorio.

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. El número de coeficientes gamma debe coincidir con el número de coeficientes alpha.
5. El número de parámetros en los argumentos de entrada - alpha - determina el orden del modelo de componentes ARCH.
6. El número de parámetros en los argumentos de entrada - beta - determina el orden del modelo de componentes GARCH.
7. Por definición, la función EGARCH_FORE devuelve un valor constante igual a la media del modelo (Ej. $\mu$) para todos los horizontes.
8. La función EGARCH_SIM fue adicionada versión 1.63 SHAMROCK.

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