Aide à la création d'un graphique

**Crimsim** · 30/01/2015, 18h43

Bonjour,

Tout d'abord je vous remercie d'avance pour l'aide que vous allez m'apporter. Voici le code ma fonction :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
function  [wOpt,kopt] = minimumVariance_acp(x,Kmax)
 
%purpose: this function runs the global minimum variance portfolio program with 
%         the inputs computed from a principal component analysis
%inputs: x is a (n,k) matrix of securities returns, with in each column the returns of 
%        a given security
%        K is the maximal number of factors
%output: wOpt is the (k,1) vector of optimal portfolio weights
 
[n,p] = size(x);
Cov = cov(x,1);
 
%acp pour la valeur maximale (soit Kmax)
[EigenVectors,EigenValues] = pcacov(Cov);
ReturnsOfAxis = x*EigenVectors(:,1:Kmax);
Residuals = x-ReturnsOfAxis*EigenVectors(:,1:Kmax)';
sig2Kmax = mean(var(Residuals));
 
crit = ones(Kmax,1)*NaN;
for k=1:Kmax
  % estimation des inputs par acp
  [EigenVectors,EigenValues] = pcacov(Cov);
  ReturnsOfAxis = x*EigenVectors(:,1:k);
  Residuals = x-ReturnsOfAxis*EigenVectors(:,1:k)';
  sig2k = mean(var(Residuals));
  crit(k) = k*sig2k+k*sig2Kmax*((p+n)/(p*n))*log((p*n)/(p+n));
end
 
 
[val,idx] = min(crit);
kopt = idx;
%
[EigenVectors,EigenValues] = pcacov(Cov);
ReturnsOfAxis = x*EigenVectors(:,1:kopt);
Residuals = x-ReturnsOfAxis*EigenVectors(:,1:kopt)';
CovPCA = EigenVectors(:,1:kopt)*cov(ReturnsOfAxis,1)*EigenVectors(:,1:kopt)'+...
              diag(diag(cov(Residuals,1)));
 wOpt = (inv(CovPCA)*ones(p,1))/sum(inv(CovPCA)*ones(p,1));

Mon soucis est que je souhaiterai créer un graphique avec comme abscisse k et ordonné crit(k) de telle sorte que pour k=1, j'ai la valeur crit(1) ainsi de suite.
J'ai testé plusieurs manipulations (plot(1:Kmax,crit(1:Kmax)) pour essayer d'arriver à ce résultat sans grande réussite.

Si vous pouvez m'indiquer une méthode ou me mettre sur la voie.

Cordialement,