GARCH (Generalized Autoregressive Conditional Heteroskedasticity) Dinamis Berkondisi Bayesian (Bayesian DCC-GARCH)
Estimasi Bayesian DCC-GARCH memodelkan korelasi yang berubah seiring waktu di berbagai seri keuangan atau ekonomi dengan menggabungkan struktur DCC-GARCH Engle dengan inferensi Bayesian. Alih-alih memaksimalkan kemungkinan (likelihood), metode ini menempatkan distribusi prior pada semua parameter dan menggunakan pengambilan sampel Markov Chain Monte Carlo (MCMC) untuk menghasilkan distribusi posterior lengkap, yang memberikan kuantifikasi ketidakpastian yang lebih kaya daripada DCC-GARCH klasik.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Bayesian Dynamic Conditional Correlation GARCH Model. ScholarGate. https://scholargate.app/id/econometrics/bayesian-dcc-garch
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Model EGARCH BayesianEkonometrika↔ bandingkan
- Model GARCH BayesianEkonometrika↔ bandingkan
- TGARCH Bayesian (Threshold GARCH dengan Estimasi Bayesian)Ekonometrika↔ bandingkan
- Model Vektor Autoregresi Bayesian (BVAR)Ekonometrika↔ bandingkan
- Model DCC-GARCH (Dynamic Conditional Correlation)Ekonometrika↔ bandingkan
- Autoregresi Vektor (VAR)Ekonometrika↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →