全部版块 我的主页
› 论坛 › 数据科学与人工智能 › 数据分析与数据科学 › MATLAB等数学软件专版
rats多元Garch时，如何设置t分布shape参数
caizz188
10247 13
2012-03-19
我在用rats做多元garch时，想使用t分布，其中有个参数shape应该如何设置，默认说是blank（估计值替代），但用输入空格，出来的结果很怪异，没有对数似然值，另外系数值也很奇怪：

MV-GARCH, DCC - Estimation by BFGS
Convergence in     1 Iterations. Final criterion was  0.0000000 <=  0.0000100
Usable Observations                       356
Log Likelihood                        NA

    Variable                        Coeff      Std Error      T-Stat      Signif
************************************************************************************
1.  C(1)                         0.0002135418 0.0000000000      0.00000  0.00000000
2.  C(2)                         0.0002315204 0.0000000000      0.00000  0.00000000
3.  A(1)                         0.0500000000 0.0000000000      0.00000  0.00000000
4.  A(2)                         0.0500000000 0.0000000000      0.00000  0.00000000
5.  B(1)                         0.7500000000 0.0000000000      0.00000  0.00000000
6.  B(2)                         0.7500000000 0.0000000000      0.00000  0.00000000
7.  DCC(1)                       0.2000000000 0.0000000000      0.00000  0.00000000
8.  DCC(2)                       0.2000000000 0.0000000000      0.00000  0.00000000

如果shape设置为1:结果如下：
Convergence in     1 Iterations. Final criterion was  0.0000000 <=  0.0000100Usable Observations                       356
Log Likelihood                        NA
    Variable                        Coeff      Std Error      T-Stat   Signif************************************************************************************
1.  C(1)                         0.0002135418 0.0000000000      0.00000  0.00000000
2.  C(2)                         0.0002315204 0.0000000000      0.00000  0.00000000
3.  A(1)                         0.0500000000 0.0000000000      0.00000  0.00000000
4.  A(2)                         0.0500000000 0.0000000000      0.00000  0.00000000
5.  B(1)                         0.7500000000 0.0000000000      0.00000  0.00000000
6.  B(2)                         0.7500000000 0.0000000000      0.00000  0.00000000
7.  DCC(1)                       0.2000000000 0.0000000000      0.00000  0.00000000
8.  DCC(2)                       0.2000000000 0.0000000000      0.00000  0.00000000

如果设置为356，结果如下：
GARCH(P=1,Q=1,MV=DCC,DIST=T,SHAPE=356,NOMEAN,ITERS=800) 3 358 RE_SF RE_FS
MV-GARCH, DCC - Estimation by BFGSNO CONVERGENCE IN 19 ITERATIONSLAST CRITERION WAS  0.0000000SUBITERATIONS LIMIT EXCEEDED.ESTIMATION POSSIBLY HAS STALLED OR MACHINE ROUNDOFF IS MAKING FURTHER PROGRESS DIFFICULTTRY HIGHER SUBITERATIONS LIMIT, TIGHTER CVCRIT, DIFFERENT SETTING FOR EXACTLINE OR ALPHA ON NLPARRESTARTING ESTIMATION FROM LAST ESTIMATES OR DIFFERENT INITIAL GUESSES MIGHT ALSO WORK
Usable Observations                       356
Log Likelihood                      2408.8605
    Variable                        Coeff      Std Error      T-Stat      Signif
************************************************************************************
1.  C(1)                          9.5383e-005  5.3630e-006     17.78537  0.00000000
2.  C(2)                          1.1326e-004  6.0865e-006     18.60911  0.00000000
3.  A(1)                              -0.0509  2.0171e-004   -252.18416  0.00000000
4.  A(2)                              -0.0675  2.8525e-003    -23.64648  0.00000000
5.  B(1)                               0.6242       0.0159     39.21562  0.00000000
6.  B(2)                               0.6171       0.0208     29.66694  0.00000000
7.  DCC(1)                             0.0350  4.8529e-003      7.21623  0.00000000
8.  DCC(2)                        2.2464e-014       0.2004 1.12106e-013  1.00000000

请各位大侠指教，参数设置界面如下：
rats的GARCH设置界面



二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

全部回复
epoh
2012-3-19 18:42:53
你的错误应该跟你的数据有关
检查一下或改变pmethod
********
open data g10xrate.xls
data(format=xls,org=columns) 1 6237 usxjpn usxfra usxsui
set xjpn = 100.0*log(usxjpn/usxjpn{1})
set xfra = 100.0*log(usxfra/usxfra{1})
set xsui = 100.0*log(usxsui/usxsui{1})
garch(p=1,q=1,mv=dcc) / xjpn xfra xsui
garch(p=1,q=1,mv=dcc,distrib=t) / xjpn xfra xsui
garch(p=1,q=1,mv=dcc,distrib=t,shape=5) / xjpn xfra xsui
MV-GARCH, DCC - Estimation by BFGS
Convergence in    38 Iterations. Final criterion was  0.0000068 <=  0.0000100
Usable Observations                      6236
Log Likelihood                    -11814.4403

    Variable                        Coeff      Std Error      T-Stat      Signif
************************************************************************************
1.  Mean(1)                       0.003985855  0.005875531      0.67838  0.49752940
2.  Mean(2)                      -0.003136548  0.006242114     -0.50248  0.61532870
3.  Mean(3)                      -0.003075792  0.007394020     -0.41598  0.67742194
4.  C(1)                          0.008500817  0.001090221      7.79734  0.00000000
5.  C(2)                          0.012486309  0.001309289      9.53671  0.00000000
6.  C(3)                          0.016570990  0.001872334      8.85044  0.00000000
7.  A(1)                          0.151681425  0.009804234     15.47101  0.00000000
8.  A(2)                          0.138388680  0.007233548     19.13151  0.00000000
9.  A(3)                          0.123714941  0.007368073     16.79068  0.00000000
10. B(1)                          0.851986104  0.008444970    100.88682  0.00000000
11. B(2)                          0.848520831  0.007099401    119.52006  0.00000000
12. B(3)                          0.857975477  0.007948108    107.94714  0.00000000
13. DCC(1)                        0.053241536  0.003415218     15.58950  0.00000000
14. DCC(2)                        0.939058550  0.004030189    233.00610  0.00000000


MV-GARCH, DCC - Estimation by BFGS
Convergence in    43 Iterations. Final criterion was  0.0000000 <=  0.0000100
Usable Observations                      6236
Log Likelihood                    -10258.4329

    Variable                        Coeff      Std Error      T-Stat      Signif
************************************************************************************
1.  Mean(1)                      -0.008128040  0.003769082     -2.15650  0.03104435
2.  Mean(2)                      -0.006682040  0.004935513     -1.35387  0.17577803
3.  Mean(3)                      -0.007897965  0.006112457     -1.29211  0.19631913
4.  C(1)                          0.000312896  0.000177034      1.76744  0.07715513
5.  C(2)                          0.003794710  0.000898310      4.22428  0.00002397
6.  C(3)                          0.008401696  0.001671209      5.02732  0.00000050
7.  A(1)                          0.145619068  0.013340466     10.91559  0.00000000
8.  A(2)                          0.136935630  0.010380524     13.19159  0.00000000
9.  A(3)                          0.129324752  0.009832444     13.15286  0.00000000
10. B(1)                          0.883892130  0.008271951    106.85413  0.00000000
11. B(2)                          0.880484243  0.007500912    117.38362  0.00000000
12. B(3)                          0.883584879  0.007525425    117.41329  0.00000000
13. DCC(1)                        0.051287893  0.004076496     12.58137  0.00000000
14. DCC(2)                        0.941288805  0.004930895    190.89612  0.00000000
15. Shape                         4.234727455  0.149730065     28.28241  0.00000000


MV-GARCH, DCC - Estimation by BFGS
Convergence in    43 Iterations. Final criterion was  0.0000014 <=  0.0000100
Usable Observations                      6236
Log Likelihood                    -10269.4513

    Variable                        Coeff      Std Error      T-Stat      Signif
************************************************************************************
1.  Mean(1)                      -0.007755697  0.003652724     -2.12326  0.03373176
2.  Mean(2)                      -0.006840765  0.004787356     -1.42892  0.15302623
3.  Mean(3)                      -0.008084055  0.005734400     -1.40975  0.15861433
4.  C(1)                          0.000332373  0.000122282      2.71809  0.00656600
5.  C(2)                          0.003653451  0.000785095      4.65351  0.00000326
6.  C(3)                          0.007967012  0.001368712      5.82081  0.00000001
7.  A(1)                          0.132023597  0.009949089     13.26992  0.00000000
8.  A(2)                          0.125987514  0.008683852     14.50825  0.00000000
9.  A(3)                          0.118533831  0.008079506     14.67093  0.00000000
10. B(1)                          0.885538181  0.007213176    122.76675  0.00000000
11. B(2)                          0.879975109  0.007358476    119.58660  0.00000000
12. B(3)                          0.883247280  0.007170945    123.17028  0.00000000
13. DCC(1)                        0.051353725  0.003991183     12.86679  0.00000000
14. DCC(2)                        0.941275670  0.004753418    198.02081  0.00000000


二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

caizz188
2012-3-19 21:31:44
epoh 发表于 2012-3-19 18:42
你的错误应该跟你的数据有关
检查一下或改变pmethod
********
如果均值模型要用ar模型的话，如何写程序？ar模型用rs=c+rs(-1)+rf(-1),和rf=c+rs(-1)+rf(-1)
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

epoh
2012-3-19 21:50:29
caizz188 发表于 2012-3-19 21:31
如果均值模型要用ar模型的话，如何写程序？ar模型用rs=c+rs(-1)+rf(-1),和rf=c+rs(-1)+rf(-1)
VAR(1) model for the mean, BEKK for the variance
RATS 8 Users Guide
page ug-304

system(model=var1)
variables xjpn xfra xsui
lags 1
det constant
end(system)
garch(p=1,q=1,model=var1,mv=bekk,pmethod=simplex,piters=10)
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

caizz188
2012-3-19 22:12:19
epoh 发表于 2012-3-19 21:50
VAR(1) model for the mean, BEKK for the variance
RATS 8 Users Guide
page ug-304
老师，能简要说明下程序的意思么？我刚刚接触这个程序

system(model=var1)
variables xjpn xfra xsui
lags 1
det constant
end(system)
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

caizz188
2012-3-19 22:16:34
epoh 发表于 2012-3-19 21:50
VAR(1) model for the mean, BEKK for the variance
RATS 8 Users Guide
page ug-304
另外，我想提取garch结果中的参数要怎么写？比如方差协方差阵，即BEKK中的Ht？
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

微信QQ空间QQ微博
扫码加好友，拉您进群
各岗位、行业、专业交流群