Bayesianisches GARCH-Modell
Das bayesianische GARCH-Modell kombiniert das GARCH-Framework für zeitlich variierende Volatilität mit bayesianischer Posterior-Inferenz. Anstatt eine Likelihood zu maximieren, werden Prior-Verteilungen für die GARCH-Parameter spezifiziert und aus der resultierenden Posterior-Verteilung — typischerweise mittels Markov-Ketten-Monte-Carlo (MCMC) — Stichproben gezogen, um sowohl Punktschätzungen als auch die vollständige Unsicherheit über die Volatilitätsdynamik zu quantifizieren.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Geweke, J. (1989). Exact predictive densities for linear models with ARCH disturbances. Journal of Econometrics, 40(1), 63–86. DOI: 10.1016/0304-4076(89)90030-4 ↗
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Generalized Autoregressive Conditional Heteroskedasticity Model. ScholarGate. https://scholargate.app/de/econometrics/bayesian-garch-model
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.
- ARCH-Modell (Autoregressive Conditional Heteroskedasticity)Ökonometrie↔ compare
- EGARCH-Modell (Exponential GARCH)Ökonometrie↔ compare
- GARCH-Modell (Volatilitätsvorhersage)Ökonometrie↔ compare
- Stochastisches Volatilitätsmodell (Heston)Finanzwirtschaft↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →