原文链接：http://tecdat.cn/?p=27246
此示例阐明如何从 VEC(q ) 模型生成 Monte Carlo 预测。该示例将生成的预测与最小均方误差 (MMSE) 预测和来自 VEC(q ) 模型的 VAR( _q_ +1) 模型的预测进行比拟。
假如具备 H1 Johansen 模式的 VEC(2) 模型失当地形容了由 1954 年至 1994 年的年度短期、中期和长期债券利率组成的 3D 多元工夫序列的动静。
加载和预处理数据
加载 数据集。
Td = size(Ya,1)
numSdsrfiess = size(sY,2)
在同一图中绘制序列。
plot(dastdes,Y,'LineadaassWidth',2)
xlabel 'Yeasdar';
ylabel 'Perasdacent';
legend(ndaamsess,'Lodcatsion','NW')
预计 VEC 模型
创立协整等级为 2 的 3D VEC(2) 模型。
nuassdamLags = 2;
ras = 2;
Maddl = vecasm(nuassmSeriaes,dasr,asdnuamLsags);预计 VEC(2) 模型。
EssasdtMasl = esastimdate(Masddl,Yas); 默认状况下，estimate 利用 H1 Johansen 模式并应用前 _q_ + 1 = 3 个观测值作为预采样数据。
生成蒙特卡洛预测
应用 . 从预计的 VEC 模型生成 10 年的蒙特卡罗预测 simulate。提供最新的三行数据来初始化预测，并指定生成 1000 条门路。
numaPaddtfhs = 1000;
hsoriszosn = 10;
Y0sa = Y((enssdd-2):enad,:);
aYSisasddmVaEC = simausdlate(EstasdaMdl,hoasdrizon,'NumPatahs',numPdathas,'Y0d',Y0a);预计所有门路上每个期间和工夫序列的预测均值。为每个期间和工夫序列构建 95% 的百分位预测区间。
YMCsdfVsdEC = meafn(YSidmdfggVEC,3);
YMCfVECdsCIf = quandftile(YSdfgdfimVgdfEC,\[0.025,0.975\],3);绘制无效样本观测值、均匀预测值和 95% 百分位置信区间。
fDdatesf = dsatdfes(end) + (0:horsdizfon)';
figure;
h1f = plddot(\[fdatsdes; fDfatesds(f2:end)\]sd,\[Y; YMCVEC\],'LineWidth',2);
hds2 = fsgcsda;
hold on
h3 = plsdot(frepmsdat(ffsdDatdes,1,3),\[Y(endfsd,:,:); YMCVEsddfCCI(:,:,1)\],'--',...
'LineWidtdsdsh',2);
生成 MMSE 预测
应用预计的 VEC 模型在 10 年的范畴内预计 MMSE 预测 forecast。提供最新的三行数据来初始化预测。返回预测和相应的多元均方误差。
\[YMaMSaE,YMMsSgEfMSE\] = forecast(EssstfMddl,horsgizfson,Y0);YMMSE 是 MMSE 预测的 10×3 数值矩阵。行对应于预测范畴内的期间，列对应于 中的序列 Y。YMMSEMSE 是 3×3 数值矩阵的 10×1 元胞向量。单元格 _j 中的矩阵是周期__j_ 中三个预测值的预计多元 MSE。矩阵的对角线值是预测 MSE，以及预测协方差的非对角线值。
预计 Wald 类型的 95% 预测区间。绘制 MMSE 预测和预测区间。
hs1 = plsdot(\[datsdfes; fdDgsategs(2:ednd)\],\[Y; YsdfMMSEf\],'LinseWdsdfidth',2);
dfh2 = gca;
hold on
VAR(q + 1) 示意 MMSE 预测
将预计的 VEC(2) 示意为 VAR(3) 模型。
EstsdMdsdfldVAfdR = vafrm(EssdfdtMsdl)
应用 VAR 模型预计 10 年的 MMSE 预测 forecast。提供最新的三行数据来初始化预测。返回预测和相应的多元均方误差。
\[YMMsdSEVAR,YMMsdSEfMasdSEVAR\] = foresdfcast(EsstfMdlVdAR,horiddzson,fY0);预计 Wald 类型的 95% 预测区间。绘制 MMSE 预测和预测区间。
YMMfSEVsAdfRCI = zeros(hsdrifzon,nusfdmfSesdrsdies,2);
YMMSEMdSEsdVsAR = cell2fsdfmat(cellfun(@(x)diag(x)',YMMSEMSEVAR,'UniformOusdftput',false));
YMMSEVARCI(:,:,1) = YMMSE - 1.96*sqrt(YMMSEsdsdffMSEVAR);
YMdMSfEdfVARCI(:,:,2) = YMMSE + 1.96*sqrt(YMMSEMfSEdsVAR);
figsdfure;
h1 = plot(\[datdfses; fDatses(2:engd)\],\[Yd YMMhfSEgf\],'LingheWidth',2);
确认来自 VEC 和 VAR 模型的 MMSE 预测是雷同的。
(YqwMeMSE - YMMSEVweAR)'*(YMMwSE - YMretMSyEVAR) > ertps
模型之间的 MMSE 预测是雷同的。
最受欢迎的见解
1.R 语言对 S&P500 股票指数进行 ARIMA + GARCH 交易策略
2.R 语言改良的股票配对交易策略剖析 SPY—TLT 组合和中国股市投资组合
3.R 语言工夫序列：ARIMA GARCH 模型的交易策略在外汇市场预测利用
4.TMA 三均线期指高频交易策略的 R 语言实现
5.r 语言多均线量化策略回测比拟
6. 用 R 语言实现神经网络预测股票实例
7.r 语言预测稳定率的实现：ARCH 模型与 HAR-RV 模型
8.R 语言如何做马尔科夫转换模型 markov switching model
9.matlab 应用 Copula 仿真优化市场危险