ecmnfish

费舍尔信息矩阵

全页折叠

语法

Fisher = ecmnfish(Data,Covariance)
Fisher = ecmnfish(___,InvCovar,MatrixType)

说明

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 InvCovar 和 MatrixType。

示例

示例

全部折叠

打开实时脚本

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
   -0.0003
    0.0004
      ⋮


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
    0.0005    0.0006    0.0008    0.0005    0.0007    0.0003    0.0005    0.0004    0.0007    0.0004    0.0013    0.0007
    0.0006    0.0012    0.0008    0.0007    0.0011    0.0016    0.0006    0.0004    0.0007    0.0005    0.0007    0.0020
      ⋮

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
   -0.0000    0.0000   -0.0000    0.0000   -0.0000    0.0000   -0.0000   -0.0000   -0.0000   -0.0000    0.0001   -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   -0.0001    0.0000   -0.0000   -0.0001   -0.0000    0.0004         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         0         0         0         0         0         0         0         0         0         0         0    0.0756    0.0007    0.0000   -0.0036   -0.0000    0.0000   -0.0395   -0.0002    0.0009    0.0052   -0.0084   -0.0000    0.0002    0.0022    0.0002   -0.0030   -0.0000    0.0001    0.0008    0.0002    0.0000   -0.0194   -0.0001    0.0005    0.0051    0.0011    0.0004    0.0012   -0.0137   -0.0001    0.0003    0.0036    0.0008    0.0003    0.0018    0.0006   -0.0317   -0.0002
         0         0         0         0         0         0         0         0         0         0         0         0    0.0007    0.0990    0.0005   -0.0122   -0.0024    0.0003    0.0045   -0.0258    0.0031   -0.0012   -0.0267   -0.0057    0.0013    0.0067    0.0015    0.0665   -0.0017   -0.0013   -0.0175   -0.0032   -0.0013    0.0069   -0.0127    0.0014   -0.0024    0.0030   -0.0087   -0.0009    0.0008   -0.0089    0.0011   -0.0006    0.0024   -0.0060   -0.0007   -0.0001    0.0015   -0.0208
         0         0         0         0         0         0         0         0         0         0         0         0    0.0000    0.0005    0.0324   -0.0001   -0.0080    0.0005    0.0000    0.0031   -0.0004    0.0001   -0.0001   -0.0175    0.0021   -0.0008    0.0024    0.0003    0.0435   -0.0054    0.0021   -0.0117    0.0146    0.0000    0.0046   -0.0006    0.0002   -0.0012    0.0031    0.0002    0.0000    0.0005   -0.0001    0.0000   -0.0001    0.0004    0.0000    0.0000    0.0000    0.0011
      ⋮

输入参数

全部折叠

数据，指定为 NUMSAMPLES×NUMSERIES 矩阵，该矩阵包含 NUMSAMPLES 个 NUMSERIES 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。

详细信息

全部折叠

版本历史记录

在 R2006a 之前推出

另请参阅

|

主题