Bayesian DCC-GARCH
Bayesian DCC-GARCH estimates time-varying correlations across multiple financial or economic series by combining Engle's DCC-GARCH structure with Bayesian inference. Rather than maximising a likelihood, it places prior distributions over all parameters and uses Markov Chain Monte Carlo (MCMC) sampling to produce full posterior distributions, yielding richer uncertainty quantification than classical DCC-GARCH.
Avota reģistrs
Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.
- 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
Kurēti apgalvojumi
Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.
Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.
Saistītās metodes
Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.