مدلهای حافظه بلندمدت (ARFIMA, FIGARCH)
مدلهای حافظه بلندمدت، روشهای انتگرالگیری کسری هستند که حافظه بلندمدت واقعی را از طریق ساختار خودهمبستگی با کاهش هذلولوی (هایپربولیک) ثبت میکنند. ARFIMA، که توسط گرانجر و جویوکس (1980) معرفی شد، حافظه بلندمدت را در سریهای بازده مدلسازی میکند، در حالی که FIGARCH، که توسط بیلی، بولرسلو و میکلسن (1996) معرفی شد، حافظه بلندمدت را در سریهای نوسانپذیری (ولاتیلیتی) ثبت میکند؛ پارامتر d درجه انتگرالگیری کسری را اندازهگیری میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Long-Memory Time Series Models (ARFIMA, FIGARCH). ScholarGate. https://scholargate.app/fa/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.
- مدل آریما (میانگین متحرک یکپارچه خودرگرسیو)اقتصادسنجی↔ compare
- مدل GARCH (پیشبینی نوسانات)اقتصادسنجی↔ compare
- تحلیل دادههای با بسامد بالا و ریزساختار بازارمالی↔ compare
- رگرسیون حداقل مربعات معمولی (OLS)اقتصادسنجی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →