Modèles à mémoire longue (ARFIMA, FIGARCH)
Les modèles à mémoire longue sont des méthodes d'intégration fractionnaire qui capturent une véritable mémoire longue par le biais d'une structure d'autocorrélation à décroissance hyperbolique. L'ARFIMA, introduit par Granger et Joyeux (1980), modélise la mémoire longue dans les séries de rendements, tandis que le FIGARCH, introduit par Baillie, Bollerslev et Mikkelsen (1996), capture la mémoire longue dans les séries de volatilité; le paramètre d mesure le degré d'intégration fractionnaire.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Long-Memory Time Series Models (ARFIMA, FIGARCH). ScholarGate. https://scholargate.app/fr/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.
- Modèle ARIMA (Autoregressive Integrated Moving Average)Économétrie↔ compare
- Modèle GARCH (Prévision de la volatilité)Économétrie↔ compare
- Données à haute fréquence et analyse de la microstructure de marchéFinance↔ compare
- Régression par Moindres Carrés Ordinaires (MCO)Économétrie↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →