Model EGARCH bayesià
El model EGARCH bayesià combina la especificació Exponential GARCH de Nelson (1991) — que modela el logaritme de la variància condicional i captura l'efecte palanca — amb inferència bayesiana posterior mitjançant Markov Chain Monte Carlo (MCMC). Això permet una quantificació completa de la incertesa de tots els paràmetres de volatilitat, inclòs el coeficient d'asimetria, sense requerir normalitat de les estimacions en mostres grans.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. DOI: 10.2307/2938260 ↗
- Nakatsuma, T. (2000). Bayesian analysis of ARMA-GARCH models: A Markov chain sampling approach. Journal of Econometrics, 95(1), 57–69. DOI: 10.1016/S0304-4076(99)00029-9 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Bayesian Exponential Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/ca/econometrics/bayesian-egarch
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Model ARCH (Autoregressive Conditional Heteroskedasticity)Econometria↔ compare
- Model DCC-GARCH bayesià (Bayesian DCC-GARCH)Econometria↔ compare
- Model GARCH bayesiàEconometria↔ compare
- TGARCH bayesià (Threshold GARCH amb estimació bayesiana)Econometria↔ compare
- Model de Vector Autoregressiu Bayesian (BVAR)Econometria↔ compare
- Model EGARCH (GARCH exponencial)Econometria↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →