GARCH_FORESD - Error de pronóstico GARCH

(obsoleto) Calcula error/desviación estándar estimado del pronóstico de la media condicional.

Sintaxis

GARCH_FORESD(X, Sigmas, Order, Mean, Alphas, Betas, T, Local)

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).

T

es el tiempo/horizonte (expresados en terminos in terminos de pasos mas alla del final de las series de tiempo X). Si falta, se tomará t = 1.

Local

es el tipo de salida de volatilidad deseada (estructura Plazo = 0, Local/Paso = 1). Si falta, la volatilidad local es asumida.

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 número de parámetros en los argumentos de entrada - alpha - determina el orden del modelo componente ARCH.
5. El número de parámetros en los argumentos de entrada - beta - determina el orden del modelo componente GARCH.
6. Para GARCH(1,1), el cuadrado del error estándar pronosticado (Ej. varianza condicional) es expresado de la siguiente manera: $$E[\sigma_{T+k}^2]=\alpha_o\times \frac{1-(\alpha_1+\beta_1)^k}{1-(\alpha_1+\beta_1)}+(\alpha_1+\beta_1)^k\sigma_T^2$$
7. El error estándar del pronostico (Ej. volatilidad condicional) cubre de forma monótona a su promedio de largo plazo. Para el caso GARCH(1,1): $$E[\sigma_{T+k\rightarrow \infty}^2]=\frac{\alpha_o}{1-(\alpha_1+\beta_1)}$$

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.