原文连接：http://tecdat.cn/?p=4241

_状态转换_模型，尤为是_马尔可夫转换_（MS）模型，被认为是识别时间序列非线性的不错的方法。算法

估计非线性时间序列的方法是将MS模型与自回归移动平均 - 广义自回归条件异方差（ARMA - GARCH）模型相结合，但给参数估计的计算带来了困难。

咱们创建了完整的MS- ARMA - GARCH模型及其贝叶斯估计。使用马尔可夫链蒙特卡罗（MCMC）方法，咱们开发一种算法来计算咱们模型的方案和参数的贝叶斯估计。网络

options  =  optimset('fmincon');
options  =  optimset(options , 'Algorithm ','interior-point');
% options  =  optimset(options , 'Algorithm ','active-set');
options  =  optimset(options, 'Hessian','bfgs');
 fmincon(@(x) msarmagarch(x,data,reg,ORDERS,flag),beq,LB,UB,@(x) MSARMAGARCH(x,k,nbpara),options); 

 fmincon(@(x) msarmagarch(x,data,reg,ORDERS,flag),startvaltot,[],[],[],[],[],[],@(x) MSARMAGARCH(x,k,nbpara),options); 
[LLF,likelihoods,~,p,pt,smoothprob,h] = msarmagarch(thetahat,data,reg,ORDERS,flag);

图1和图2比较了两种模型的估计后验几率。咱们的模型可以更清晰地区分不一样的状态。spa

图1.修正的Hamilton-Susmel模型每周收益的不一样状态的后验几率。3d

图2.对于咱们的模型，状态1-3的后验几率。code

figure()
subplot(4,1,1);
plot(Domain, Data,'color'

ylim([-30,30])

​

接下来，咱们比较两个模型的样本ACF。因为在两个模型中估计ARMA参数大体相同，所以咱们仅显示样本ACF的平方残差。blog

然而，两种算法都在估计中显示出问题，其特征在于MCMC链收敛得很是慢以及在基于EM的算法的状况下对初始参数的强烈依赖性。递归

估计参数化的MS- GARCH的第二状态的后验几率开发

​

 Haas 等人的第二状态的后验几率。rem

​

结论

咱们开发了一种MCMC方法来计算完整MS- ARMA - GARCH模型的参数估计值，用于描述在不一样市场中观察到的计量经济时间序列中的现象。get

​

最受欢迎的看法

1.HAR-RV-J与递归神经网络（RNN）混合模型预测和交易大型股票指数的高频波动率

2.R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增加

3.波动率的实现：ARCH模型与HAR-RV模型

4.R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测

5.GARCH（1,1），MA以及历史模拟法的VaR比较

6.R语言多元COPULA GARCH 模型时间序列预测

7.R语言基于ARMA-GARCH过程的VAR拟合和预测

8.matlab预测ARMA-GARCH 条件均值和方差模型

9.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略