Bayesovský model EGARCH
Bayesovský model EGARCH kombinuje specifikaci exponenciálního GARCH (EGARCH) Nelsona (1991) – která modeluje logaritmus podmíněné variance a zachycuje efekt pákového efektu (leverage effect) – s Bayesovskou posteriorní inferencí prostřednictvím Markov Chain Monte Carlo (MCMC). To umožňuje plnou kvantifikaci nejistoty všech parametrů volatility, včetně koeficientu asymetrie, aniž by byly vyžadovány asymptotické vlastnosti normality odhadů.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Bayesian Exponential Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/cs/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 (Autoregresivní podmíněná heteroskedasticita)Ekonometrie↔ compare
- Bayesian Dynamic Conditional Correlation GARCH (Bayesian DCC-GARCH)Ekonometrie↔ compare
- Bayesovský GARCH modelEkonometrie↔ compare
- Bayesovský TGARCH (Threshold GARCH s Bayesovským odhadem)Ekonometrie↔ compare
- Model Bayesovská vektorová autoregrese (BVAR)Ekonometrie↔ compare
- Model EGARCH (Exponenciální GARCH)Ekonometrie↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →