Main Content

本页翻译不是最新的。点击此处可查看最新英文版本。

ecmnfish

费舍尔信息矩阵

说明

示例

Fisher = ecmnfish(Data,Covariance) 根据当前最大似然参数估计值计算 NUMPARAMS×NUMPARAMS费舍尔信息矩阵。

先使用 ecmnmle 估计 Data 的均值和协方差后,再使用 ecmnfish

示例

Fisher = ecmnfish(___,InvCovar,MatrixType) 添加了可选参量 InvCovarMatrixType

示例

全部折叠

此示例说明如何根据 12 支计算机技术股票(硬件公司股票和软件公司股票各六支)五年时间每日总收益的 Data 参数估计值来计算费舍尔信息矩阵。

load ecmtechdemo.mat

此数据的时间段从 2000 年 4 月 19 日到 2005 年 4 月 18 日。资产中的第六支股票是 Google (GOOG),该股于 2004 年 8 月 19 日上市交易。所以,缺少 2004 年 8 月 20 之前的所有收益,表示为 NaN。此外,在过去五年里,Amazon (AMZN) 在一些日期也零散存在缺失值。

[ECMMean, ECMCovar] = ecmnmle(Data)
ECMMean = 12×1

    0.0008
    0.0008
   -0.0005
    0.0002
    0.0011
    0.0038
   -0.0003
   -0.0000
   -0.0003
   -0.0000
      ⋮

ECMCovar = 12×12

    0.0012    0.0005    0.0006    0.0005    0.0005    0.0003    0.0005    0.0003    0.0006    0.0003    0.0005    0.0006
    0.0005    0.0024    0.0007    0.0006    0.0010    0.0004    0.0005    0.0003    0.0006    0.0004    0.0006    0.0012
    0.0006    0.0007    0.0013    0.0007    0.0007    0.0003    0.0006    0.0004    0.0008    0.0005    0.0008    0.0008
    0.0005    0.0006    0.0007    0.0009    0.0006    0.0002    0.0005    0.0003    0.0007    0.0004    0.0005    0.0007
    0.0005    0.0010    0.0007    0.0006    0.0016    0.0006    0.0005    0.0003    0.0006    0.0004    0.0007    0.0011
    0.0003    0.0004    0.0003    0.0002    0.0006    0.0022    0.0001    0.0002    0.0002    0.0001    0.0003    0.0016
    0.0005    0.0005    0.0006    0.0005    0.0005    0.0001    0.0009    0.0003    0.0005    0.0004    0.0005    0.0006
    0.0003    0.0003    0.0004    0.0003    0.0003    0.0002    0.0003    0.0005    0.0004    0.0003    0.0004    0.0004
    0.0006    0.0006    0.0008    0.0007    0.0006    0.0002    0.0005    0.0004    0.0011    0.0005    0.0007    0.0007
    0.0003    0.0004    0.0005    0.0004    0.0004    0.0001    0.0004    0.0003    0.0005    0.0006    0.0004    0.0005
      ⋮

若要计算 ecmnmle 的负对数似然函数,请根据 ECMCovar 的当前最大似然参数估计值使用 ecmnfish

Fisher = ecmnfish(Data,ECMCovar)
Fisher = 90×90
107 ×

    0.0001    0.0000   -0.0000   -0.0000   -0.0000   -0.0000   -0.0000   -0.0000   -0.0000    0.0000   -0.0000   -0.0000         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0
    0.0000    0.0001   -0.0000    0.0000   -0.0000    0.0001    0.0000    0.0000    0.0000    0.0000    0.0000   -0.0001         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0
   -0.0000   -0.0000    0.0002   -0.0000   -0.0000   -0.0000   -0.0000   -0.0000   -0.0000   -0.0000   -0.0000   -0.0000         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0
   -0.0000    0.0000   -0.0000    0.0003   -0.0000    0.0000   -0.0000   -0.0000   -0.0001   -0.0001    0.0000   -0.0000         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0
   -0.0000   -0.0000   -0.0000   -0.0000    0.0001   -0.0000   -0.0000   -0.0000    0.0000   -0.0000   -0.0000   -0.0000         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0
   -0.0000    0.0001   -0.0000    0.0000   -0.0000    0.0002    0.0000   -0.0000    0.0000    0.0001    0.0000   -0.0002         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0
   -0.0000    0.0000   -0.0000   -0.0000   -0.0000    0.0000    0.0002   -0.0001   -0.0000    0.0000   -0.0000   -0.0001         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0
   -0.0000    0.0000   -0.0000   -0.0000   -0.0000   -0.0000   -0.0001    0.0004   -0.0000   -0.0001   -0.0000    0.0000         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0
   -0.0000    0.0000   -0.0000   -0.0001    0.0000    0.0000   -0.0000   -0.0000    0.0002   -0.0001   -0.0000   -0.0000         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0
    0.0000    0.0000   -0.0000   -0.0001   -0.0000    0.0001    0.0000   -0.0001   -0.0001    0.0004   -0.0000   -0.0001         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0         0
      ⋮

输入参数

全部折叠

数据,指定为 NUMSAMPLES×NUMSERIES 矩阵,该矩阵包含 NUMSAMPLESNUMSERIES 维随机向量示例。缺失值由 NaN 指示。

数据类型: double

使用 ECM 算法得出的 Data 的协方差的最大似然参数估计值,指定为 NUMSERIES×NUMSERIES 矩阵。

(可选)协方差矩阵的倒数,通过 inv 指定为一个矩阵,形式如下:

inv(Covariance)

数据类型: double

(可选)矩阵格式,指定为字符向量,其值可以是:

  • 'full' - 计算完整费舍尔信息矩阵。

  • 'meanonly' - 仅计算与均值关联的费舍尔信息矩阵的分量。

数据类型: char

输出参量

全部折叠

费舍尔信息矩阵,根据当前参数估计值以 NUMPARAMSNUMPARAMS 矩阵形式返回,其中如果 MatrixFormat = 'full',则 NUMPARAMS = NUMSERIES * (NUMSERIES + 3)/2;如果 MatrixFormat = 'meanonly',则 NUMPARAMS = NUMSERIES

版本历史记录

在 R2006a 之前推出