Regression modelEconometrics / time series

Modèle EGARCH bayésien

Le modèle EGARCH bayésien combine la spécification Exponential GARCH de Nelson (1991) — qui modélise le logarithme de la variance conditionnelle et capture l'effet de levier — avec l'inférence bayésienne a posteriori via des chaînes de Markov Monte Carlo (MCMC). Cela permet une quantification complète de l'incertitude de tous les paramètres de volatilité, y compris le coefficient d'asymétrie, sans nécessiter la normalité des estimations dans de grands échantillons.

Appliquer avec EconMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

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

Sources

  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

Comment citer cette page

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

Référencée par

ScholarGateBayesian EGARCH (Bayesian Exponential Generalized Autoregressive Conditional Heteroscedasticity Model). Consulté le 2026-06-15 sur https://scholargate.app/fr/econometrics/bayesian-egarch · Jeu de données : https://doi.org/10.5281/zenodo.20539026