Angående matlab optimeringsalgoritme

Hvad er funktionsudtrykket for den funktion, du vil finde maksimum for? Og kan du eventuelt uploade/vise din matlab-kode?

Det er følgende funktion der skal minimeres mht. parametervektoren "startingparameters". Det er forsøgt gjort ved at give funktionen som input til "fminunc".

data: inputmatrix af dimension T x N. N2 er en skalar der holder styr på parameterpositioner i startingparameters.

Følgende opsætning er forsøgt benyttet på fminunc:

%% setting for fminunc

options = optimset('fminunc');
options = optimset(options , 'Display' , 'off');
options = optimset(options , 'Diagnostics' , 'off');
options = optimset(options , 'LargeScale' , 'off');
options = optimset(options , 'TolX',1e-6,'TolCon',1e-6,'TolFun',1e-6) ;
options = optimset(options , 'maxiter' , 1000, 'DiffMinChange',1e-2) ;
options.MaxFunEvals= 5000;
 

%% funktion der skal minimeres

function [LLF,likelihoods,Ht,errors]=diagonal_bekk_mvgarch_in_mean_likelihood(startingparameters,data,N,N2,T)

C = startingparameters(1:N2);
A = startingparameters(N2+1:N2+N);
B = startingparameters(N2+N+1:N2+2*N);
mu = startingparameters(N2+2*N+1:N2+3*N) ;
delta = startingparameters(N2+3*N+1) ;

tempA=zeros(N,N);
tempB=zeros(N,N);
tempA(:,:)=diag(A(1:N));
tempB(:,:)=diag(B(1:N));
A=tempA;
B=tempB;
C=ivech(C);
C=tril(C);
const=C*C';

uncond=cov(data);
Ht=zeros(N,N,T);
Ht(:,:,1)=uncond;
errors(1,:)=sqrt(diag(uncond))';
LLF=0;
likelihoods=zeros(T-1,1);

for t = 2 : T;
Ht(:,:,t) = const;
Ht(:,:,t) = Ht(:,:,t)+A(:,:)*(errors(t-1,:))'*(errors(t-1,:))*A(:,:)';
Ht(:,:,t) = Ht(:,:,t)+B(:,:)*Ht(:,:,t)*B(:,:)';
errors(t,:) = data(t,:)-(mu'+(Ht(:,N,t)*delta)') ;
likelihoods(t) = N*log(2*pi)+(log(det(Ht(:,:,t)))+errors(t,:)*Ht(:,:,t)^(-1)*errors(t,:)');
LLF=LLF+likelihoods(t);
end
LLF=0.5*(LLF);
likelihoods=0.5*likelihoods(2:T);
Ht=Ht(:,:,:);
if isnan(LLF)
LLF=1e6;
end

 hov - jeg skal nævne at: 

C = ivech(C)
C = tril(C) 

Laver vektoreren C af dimension N * (N-1) / 2 om til en "lower triangular" matrix af dimension NxN. 
 

Av.

Ja det er jo ikke ligefrem et 2. grads polynomium du prøver at minimere :) Tror desværre ikke jeg kan hjælpe dig. En lille detalje der ikke hjælper på dit problem... Så vidt jeg lige kan se, kan du erstatte

tempA=zeros(N,N);
tempB=zeros(N,N);
tempA(:,:)=diag(A(1:N));
tempB(:,:)=diag(B(1:N));
A=tempA;
B=tempB;

Med

A = diag(A)
B = diag(B)

og resultat vil blive det samme?

En anden detalje. Har du set at der findes funktionen garchfit i econometrics toolboxen til matlab, som du måske kan bruge?

Tak for hjælpen.

4 linier mindre er aldrig skidt :-)

Garch pakken til matlab er desværre kun skrevet til univariate modeller og endda ikke engang til garch-in-mean univariat. .