Преобразование смешанных пустых/непустых ячеек в числовую матрицу

Я работаю над кодом для извлечения моего параметра AR(1)-GARCH(1), который я оценил с помощью модели AR(1)-GJR(1,1) для отдельных матриц, чтобы я мог использовать их в качестве переменных в моем расчеты. Поскольку у меня есть 16 переменных временных рядов, я комбинирую код с циклом следующим образом:

for i=1:nIndices
AA_ARCH(:,i) = cell2mat(fit{i}.Variance.ARCH)';
end; 

Моя проблема в том, что для некоторых переменных нет, для AA_ARCH(:,i) размерность меньше, чем nIndices. Естественно, когда я пытаюсь экспортировать оценки в цикле, в котором указана размерность (:, i) и nIndices, Matlab сообщает о несоответствии размерности. Я хотел бы сказать Matlab заменить NaN на 0 вместо того, чтобы оставлять место пустым, чтобы он мог создать матрицу (1, nIndices) из AA_ARCH.

Я подумал о чем-то вроде этого:

fit{i}.Variance.Leverage(isnan(fit{i}.Variance.Leverage))=0

но я не смог совместить эту часть с предыдущим кодом.

Буду очень рад любой подсказке!

Бест, Кэролин

ОБНОВИТЬ:

Вот полностью работоспособная версия моего кода, которая создает мою проблему. Обратите внимание, что код выдает ошибку несоответствия размеров, потому что в fit.gjr(1,1) для временного ряда 1 нет оценок ARCH и GARCH. Для этих отсутствующих значений я хотел бы иметь 0 в качестве заполнителя в извлеченной матрице.

returns = randn(2,750)'; 

T       = size(returns,1);
nIndices = 2; 

model     = arima('AR', NaN, 'Variance', gjr(1,1));
residuals = NaN(T, nIndices);    
variances = NaN(T, nIndices);
fit       = cell(nIndices,1);

options   = optimset('fmincon');
options   = optimset(options, 'Display'  , 'off', 'Diagnostics', 'off', ...
                              'Algorithm', 'sqp', 'TolCon'     , 1e-7);

for i = 1:nIndices
    fit{i} = estimate(model, returns(:,i), 'print', false, 'options', options);
    [residuals(:,i), variances(:,i)] = infer(fit{i}, returns(:,i));
end

for i=1:nIndices
AA_beta(:,i) = cell2mat(fit{i}.AR)';
AA_GARCH(:,i) = cell2mat(fit{i}.Variance.GARCH)';
AA_ARCH(:,i) = cell2mat(fit{i}.Variance.ARCH)';
AA_Leverage(:,i) = cell2mat(fit{i}.Variance.Leverage)';
end;