Bayesian DCC-GARCH
Bayesian DCC-GARCH estimates time-varying correlations across multiple financial or economic series by combining Engle's DCC-GARCH structure with Bayesian inference. Rather than maximising a likelihood, it places prior distributions over all parameters and uses Markov Chain Monte Carlo (MCMC) sampling to produce full posterior distributions, yielding richer uncertainty quantification than classical DCC-GARCH.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
- Engle, R. F. (2002). Dynamic conditional correlation: A simple class of multivariate generalized autoregressive conditional heteroskedasticity models. Journal of Business and Economic Statistics, 20(3), 339-350. · DOI 10.1198/073500102288618487
- Virbickaite, A., Ausin, M. C., & Galeano, P. (2015). Bayesian inference methods for univariate and multivariate GARCH models: A survey. Journal of Economic Surveys, 29(1), 76-96. · DOI 10.1111/joes.12046
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.