Date: 04/2009

@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@

	INDEX OF GAUSS CODES AND DATA FILES FOR
 
	Lili Cai, and Norman R. Swanson, March 2007, 
	"An Empirical Assessment of Spot Rate Model Stability"


@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@


DATA

Euro dollar deposit rate(market data, LIBOR) : Weekly data for 4 samples: 01/1971-04/2008

    expansion 03/1991-01/2001:1060-1580 
    pre-expansion: 01/1971-02/1991: 1-1059
    post-expansion: 04/2001-04/2008: 1600-1961
 

@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@*/

File: 1montheuro.txt
	This file contains the data for Euro dollar deposit rate(market data, LIBOR) : Weekly data for 01/1971-04/2008

Location: D:\Research\continuous\code\BCS

#################################################################################################################

CODES

#################################################################################################################


/*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@

REQUIRED GAUSS LIBRARIES

	(a)	CO
	

@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@*/
Models considered in the code:

model_ind; model indicator
    = 1 SM
    = 2 SV
    = 3 SVJ : need to change the jumps
    = 4 CHEN
    = 5 CHEN_JUMP   
    = 6 CIR
	
*****************************************************************************************************************
OUTLINE OF THE MAIN PROCEDURES:

*  1. estimate model using first t obs
   2. simulate x_sim(t+tao) N times for tao-step ahead prediction, based on parameters estimated step 1.
   3. calculate simulated conditional distribution  prob(u1<x_sim(t+tao)<u2|x(t))
   4. CS test
   5. Bootstrap Critical Value



************************************************************************************************************************
1. Procedures needed to estimate a model:

//*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
* DGP_CIR:   Data Generation as CIR process                                                     *
*           dp(t)=phi*(p_bar-p(t))*dt+sig*sqrt(p(t)*dW(t)                                       *
*************************************************************************************************
* Inputs:	     T       -   Length of time series                                                   
*		    h       -   discretization interval                                                 *
*		    phi     -   mean reversion parameter Process                                        *
*		    p_bar   -   mean level                                                              *
*		    sig1    -   variance term                                                           *
*		    see     -   seed of rndns                                           *
* Output:   		dat     -   time series                                                            

proc DGP_CIR(T,h,phi,p_bar,sig1,see);

/*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
* DGP_CIRsim:   Data Generation as CIR process for simulation,
             The only difference with above is that we are given the start value 
                                                    *
*           dp(t)=phi*(p_bar-p(t))*dt+sig*sqrt(p(t)*dW(t)                                       *
*************************************************************************************************/

proc DGP_CIRsim(T,h,phi,p_bar,sig1,see,start);

/*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
*   GMM_CIR: Returns the obj func for CIR Model                                                   *
*************************************************************************************************
* Inputs:	b      -   starting values                                                          *
* Output:           -   the objective function to be minimised                                  *
@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@*/

proc gmm_CIR(b);

/*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
* ineq_One: One Factor Models Nonlinear Inequality constraint                                   *
@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@*/ 
proc ineq_one(b);




Similar codes can be found for SV, SVJ, Chen, ChenJ, SM.

2. Estimate a model:

Note: for SVJ, CHENJ model we fix the Jump parameters by the values we find that give minimum f.
For CIR and SV models, we don't fix any parameters.


/*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
* estimate: estimate the parameters                                                  *
*************************************************************************************************
* Inputs:	dat1    -   time series                                                             *
*		    indicator  -   model indicator                                                      *
* Output:   est     -   estimated parameters                                                    *
@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@*/ 
/*
xt: is the lagged xt
model_ind; model indicator
    = 1 SM
    = 2 SV
    = 3 SVJ : need to change the jumps
    = 4 CHEN
    = 5 FEEDBACk
    = 6 CIR
*/
proc(1)=estimate(xt,model_ind); 



3.get simulated conditonal density: we dont simulate latent variable, we put N=1
/*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
*get simulated conditonal density  : didnt simulate on latent variables
  
format:  prob(u1<x_sim(t+tao)<u2|x(t))= sumc (I(u1<x_sim(t+tao)<u2|x(t)))/S                                                                   *

*****************************************************************************************************************
* Inputs:	xt      -   	time series, The first R observations that used for estimation                                                             	        *
*		    tao     -   	indicating the different step ahead con. int. to be examined   	  
*		    S       -   	number of sample paths to be simulated  
            N       -       number of sample paths to be simulated for SV or MV part 
            model_ind -     model indicator 
*		    h       -   	discretization interval, for each step,make it 1/h small intervals                                                		        *
*		    u_bar   -   	confidence interval  
            see     -       simulation seed
                                   		            *
* Output:   p_sim      -   	generalized residual ,    			            *
*           	                             	    *
@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@*/
proc (1)= Con_den(xt,tao,S,N,model_ind,h,u_bar,see,b);



4. CS_stat: Calculates The Test Statistics
  
/*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
* CS_stat: Calculates The Test Statistics :                                                        		    *
*****************************************************************************************************************
* Inputs:	xt      -   	time series   
            R               The first R observations that used for estimation                                            	        *
*		    tao     -   	a vector indicating the different step ahead con. int. to be examined   	        *    
*		    S       -   	number of sample paths to be simulated 
            N       -       number of sample paths to be simulated for SV                                                   *
*		    mod_ind1 -   	model specification 1         
*		    mod_ind2 -   	model specification 2                       	        *
*		    h       -   	discretization interval                                                		        *
*		    u_bar   -   	confidence interval  
                                              		            *
* Output:   	   				          
*           	vt  -   	Test statistics will have rows(tao) results                                	    *
@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@*/





5.Bootstrap procedure: 

/*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
* boot1: Generates the block bootstrap sample                                                   *
*************************************************************************************************
* Inputs:	dat1    -   time series                                                             *
*		    lval    -   block boot length                                                       *
* Output:   xb1     -   bootstrap sample                                                        *
@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@*/ 
proc (1) = boot1(dat1,lval,see);


6.Bootstrap the CV: using the same parameter

/*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
* BCS_stat: Calculates The Test Statistics                                                           		    *
*****************************************************************************************************************
* Inputs:	xt      -   	time series                                                             	        *
*		    tao     -   	a vector indicating the different step ahead con. int. to be examined   	        *    
*		    S       -   	number of sample paths to be simulated                                              *
*		    N       -   	number of sample paths to be simulated for Volatility, stochastic mean                
                                            *
*		    mod_ind2 -   	model specification                          	        *
*        	xt_v    -   	time series for calculating v 		                                     	        *
*		    h       -   	discretization interval                                                		        *
*		    u_bar   -   	confidence interval    
            see       -     seed    
            parameter   estimated out of program
                                         		            *
* Output:   	vt      -   	pre sup pre sum vt to use in bootstrap procedure      				            *
*           	sup_vt  -   	Test statistics will have rows(tao) results                                	    *
@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@*/
proc (2)= BCS_stat(xt,tao,S,N,mod_ind2,xt_v,h,u_bar,see,parameter);