ScholarGate
Βοηθός
Regression modelEconometrics / time series

Μοντέλο EGARCH Bayesian

Το μοντέλο EGARCH Bayesian συνδυάζει την προδιαγραφή Exponential GARCH του Nelson (1991) — η οποία μοντελοποιεί τον λογάριθμο της υπό συνθήκη διακύμανσης και συλλαμβάνει το φαινόμενο μόχλευσης — με την Bayesian εκτίμηση εκ των υστέρων μέσω Markov Chain Monte Carlo (MCMC). Αυτό επιτρέπει την πλήρη ποσοτικοποίηση της αβεβαιότητας όλων των παραμέτρων της μεταβλητότητας, συμπεριλαμβανομένου του συντελεστή ασυμμετρίας, χωρίς να απαιτείται κανονικότητα των εκτιμήσεων σε μεγάλα δείγματα.

Εφαρμογή με το EconMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. DOI: 10.2307/2938260
  2. 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

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Bayesian Exponential Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/el/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.

Compare side by side

Αναφέρεται από

ScholarGateBayesian EGARCH (Bayesian Exponential Generalized Autoregressive Conditional Heteroscedasticity Model). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/econometrics/bayesian-egarch · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026