Beijesiešu GARCH modelis
Beijesiešu GARCH modelis apvieno GARCH ietvaru laika mainīgai nepastāvībai ar Beijesa a posteriori secinājumiem. Tā vietā, lai maksimizētu varbūtību, tas nosaka a priori sadalījumus GARCH parametriem un iegūst paraugus no rezultējošā a posteriori sadalījuma — parasti, izmantojot Markova ķēdes Montekarlo (MCMC) metodi — lai kvantificētu gan punktveida novērtējumus, gan pilnīgu nenoteiktību par nepastāvības dinamiku.
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
- Geweke, J. (1989). Exact predictive densities for linear models with ARCH disturbances. Journal of Econometrics, 40(1), 63–86. DOI: 10.1016/0304-4076(89)90030-4 ↗
- Nakatsuma, T. (2000). Bayesian analysis of ARMA-GARCH models: A Markov chain sampling approach. Journal of Econometrics, 95(1), 57–69. DOI: 10.1016/S0304-4076(99)00029-9 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Generalized Autoregressive Conditional Heteroskedasticity Model. ScholarGate. https://scholargate.app/lv/econometrics/bayesian-garch-model
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.
- Autoregresīvās nosacītās heteroskedastiskuma (ARCH) modelisEkonometrija↔ compare
- EGARCH modelis (eksponenciālais GARCH)Ekonometrija↔ compare
- GARCH modelis (volatilitātes prognozēšana)Ekonometrija↔ compare
- Stohastiskās mainības modelis (Heston)Finanses↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →