Modello GARCH a Correlazione Condizionale Dinamica Robusto (Robust DCC-GARCH)
Il modello Robust DCC-GARCH estende il framework Dynamic Conditional Correlation di Engle (2002) sostituendo la stima standard di quasi-verosimiglianza con tecniche resistenti agli outlier o di verosimiglianza composita. Ciò preserva una stima accurata delle correlazioni tempo-varianti anche quando i dati dei rendimenti finanziari contengono osservazioni estreme, code pesanti o irregolarità strutturali.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Mappa dei metodi
Il vicinato dei metodi correlati — seleziona un nodo per esplorare.
Fonti
- 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 ↗
- Pakel, C., Shephard, N., Sheppard, K., & Engle, R. F. (2021). Fitting vast dimensional time-varying covariance models. Journal of Business and Economic Statistics, 39(3), 652–668. DOI: 10.1080/07350015.2020.1713795 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Robust Dynamic Conditional Correlation GARCH Model. ScholarGate. https://scholargate.app/it/econometrics/robust-dcc-garch
Quale metodo?
Affianca questo metodo ai suoi parenti più prossimi e leggili fianco a fianco — la biblioteca dispone i libri sul tavolo; la scelta è tua.
- Modello DCC-GARCH (Dynamic Conditional Correlation)Econometria↔ confronta
- Modello GARCH (Previsione della Volatilità)Econometria↔ confronta
- Modello EGARCH RobustoEconometria↔ confronta
- Modello GARCH RobustoEconometria↔ confronta
- TGARCH RobustoEconometria↔ confronta
- Autoregressione Vettoriale (VAR)Econometria↔ confronta
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →