Model Memori Jangka Panjang (ARFIMA, FIGARCH)
Model memori jangka panjang adalah metode integrasi fraksional yang menangkap memori jangka panjang sejati melalui struktur autokorelasi yang meluruh secara hiperbolik. ARFIMA, yang diperkenalkan oleh Granger dan Joyeux (1980), memodelkan memori jangka panjang dalam deret imbal hasil, sementara FIGARCH, yang diperkenalkan oleh Baillie, Bollerslev, dan Mikkelsen (1996), menangkap memori jangka panjang dalam deret volatilitas; parameter d mengukur tingkat integrasi fraksional.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 1). Long-Memory Time Series Models (ARFIMA, FIGARCH). ScholarGate. https://scholargate.app/id/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.
- Model ARIMA (Autoregressive Integrated Moving Average)Ekonometrika↔ compare
- Model GARCH (Peramalan Volatilitas)Ekonometrika↔ compare
- Data Frekuensi Tinggi dan Analisis Mikrostruktur PasarKeuangan↔ compare
- Regresi Kuadrat Terkecil Biasa (Ordinary Least Squares - OLS)Ekonometrika↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →