2016-05-09 11 views
0

В настоящее время я экспериментирую с пакетом bayesDCCgarch и искал извлечение двумерных условных корреляций из оценки модели.Извлечение матрицы корреляции, R, из BayesDCCgarch

Выход функции только обеспечивает дисперсию, ковариационная матрица H_t, который состоит из H = DRD (где D_T приходит от условной оценки дисперсии от однофакторной модели GARCH). Ищу для R матрицы

Я заглянула в коде на GitHub here и увидели, что в сценарии, bayesDccGarch.c они делают вычисления корреляционной матрицы R (строки 291 - 300)

// compute the R matrix 
    for(i = 0; i < k; i++){ 
     hiit = omega[i];// /(1.0-beta[i]); // H_{ii,1} 
     MEs[i][0] = y[0][i]/sqrt(hiit); 
     for(t = 1; t < n; t++){ 
      hiit = omega[i] + alpha[i]*y[t-1][i]*y[t-1][i] + beta[i]*hiit; // H_{ii,t} 
      MEs[i][t] = y[t][i]/sqrt(hiit); // Standard Errors 
     } 
    } 
    mcov(n, k, MEs, R); // compute the R matrix 

Любая помощь, как я мог бы построить матрицу корреляции R, а не оцененные летучести для каждой из серий, как в коде ниже:

library(bayesDccGarch) 
data(DaxCacNik) 
mY<-DaxCacNik[,1:2] 
out = bayesDccGarch(mY, nSim=1000) 
plotVol(mY, out$H[,c("H_1,1","H_2,2")], c("DAX","CAC40")) 

Я ищу, чтобы сравнить конструкцию корреляции с функцией dccfit в библиотеке rmgarch.

+0

Посмотрите на выходе 'ул (уходит) '. Может ли это быть 'out $ control $ cholCov'? Я раньше не использовал эту функцию, но, возможно, вы сможете ее найти, исследуя элементы 'out'. – eipi10

+0

Если посмотреть на объект, можно увидеть только MCMC, Information Criteria и матрицу H в качестве выходного объекта функции (и управления и времени). Я не думаю, что прямая корреляционная конструкция, такая как 'cov/sqrt (var) sqrt (var)' из матрицы 'out $ H', является правильным способом получить изменяющуюся во времени корреляцию ... –

ответ

0

После гавани разговорного автора пакета, правильный ответ для извлечения корреляции действительно с помощью H матрицы вместе с cov/sqrt(var)sqrt(var):

library(bayesDccGarch) 
data(DaxCacNik) 
mY<-DaxCacNik[,1:2] 
out = bayesDccGarch(mY, nSim=10000) 
R<-out$H[,("H_2,1")]/sqrt(out$H[,("H_1,1")]*out$H[,("H_2,2")]) 

 Смежные вопросы

  • Нет связанных вопросов^_^