Bajesiešu dinamiskā nosacītā korelācijas GARCH (Bayesian DCC-GARCH)
Bayesian DCC-GARCH novērtē laika gaitā mainīgās korelācijas starp vairākām finanšu vai ekonomikas sērijām, apvienojot Engles DCC-GARCH struktūru ar Bajesiešu secinājumiem. Tā vietā, lai maksimizētu varbūtību, tā nosaka a priori sadalījumus visiem parametriem un izmanto Markova ķēdes Monte Karlo (MCMC) paraugu ņemšanu, lai iegūtu pilnus a posteriori sadalījumus, nodrošinot bagātīgāku nenoteiktības kvantifikāciju nekā klasiskais DCC-GARCH.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Dynamic Conditional Correlation GARCH Model. ScholarGate. https://scholargate.app/lv/econometrics/bayesian-dcc-garch
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.
- Neibai's EGARCH modelisEkonometrija↔ compare
- Beijesiešu GARCH modelisEkonometrija↔ compare
- Neibiešu TGARCH (Threshold GARCH ar Neibiešu novērtēšanu)Ekonometrija↔ compare
- Bayesiešu VAR modelis (BVAR)Ekonometrija↔ compare
- DCC-GARCH modelis (Dynamic Conditional Correlation)Ekonometrija↔ compare
- Vektora autoregresija (VAR)Ekonometrija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →