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.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. DOI: 10.2307/2938260 ↗
- 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.
- Modèle ARCH (Hétéroscédasticité Conditionnelle Autorégressive)Économétrie↔ compare
- Modèle GARCH DCC Bayésien dynamique conditionnel (Bayesian DCC-GARCH)Économétrie↔ compare
- Modèle GARCH bayésienÉconométrie↔ compare
- TGARCH bayésien (Seuil GARCH avec estimation bayésienne)Économétrie↔ compare
- Modèle VAR bayésien (BVAR)Économétrie↔ compare
- Modèle EGARCH (GARCH exponentiel)Économétrie↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →