DCC-GARCH modelis (Dynamic Conditional Correlation)
DCC-GARCH modelis, ko ieviesa Engle (2002), paplašina vienfaktoru GARCH, lai tvertu laika gaitā mainīgas vairāku finanšu laika rindu korelācijas. Tas sadala daudzfaktoru nosacīto kovarianču matricu individuālos nelikvīditātes procesos un dinamiskās korelācijas matricā, ļaujot korelācijām svārstīties laika gaitā, vienlaikus saglabājot aprēķinu noslēgtību pat ar daudzām rindām.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+12 more
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 ↗
- Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987-1007. DOI: 10.2307/1912773 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Dynamic Conditional Correlation Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/lv/econometrics/dcc-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
- Grindžera koincidences testsEkonometrija↔ compare
- TGARCH modelis (sliekšņa GARCH)Ekonometrija↔ compare
- Vektora autoregresija (VAR)Ekonometrija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →