Modelos de memoria larga (ARFIMA, FIGARCH)
Los modelos de memoria larga son métodos de integración fraccional que capturan memoria genuina a través de una estructura de autocorrelación que decae hiperbólicamente. ARFIMA, introducido por Granger y Joyeux (1980), modela la memoria larga en series de retornos, mientras que FIGARCH, introducido por Baillie, Bollerslev y Mikkelsen (1996), captura la memoria larga en series de volatilidad; el parámetro d mide el grado de integración fraccional.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Granger, C. W. J. & Joyeux, R. (1980). An Introduction to Long-Memory Time Series Models and Fractional Differencing. Journal of Time Series Analysis, 1(1), 15-29. DOI: 10.1111/j.1467-9892.1980.tb00297.x ↗
- Baillie, R. T., Bollerslev, T. & Mikkelsen, H. O. (1996). Fractionally Integrated Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 74(1), 3-30. DOI: 10.1016/S0304-4076(95)01749-6 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Long-Memory Time Series Models (ARFIMA, FIGARCH). ScholarGate. https://scholargate.app/es/finance/long-memory-models
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.
- Modelo ARIMA (Autoregressive Integrated Moving Average)Econometría↔ compare
- Modelo GARCH (Predicción de Volatilidad)Econometría↔ compare
- Análisis de Datos de Alta Frecuencia y Microestructura de MercadosFinanzas↔ compare
- Regresión por Mínimos Cuadrados Ordinarios (MCO)Econometría↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →