Metodes pierādījumu reģistrs
Robust DCC-GARCH
The Robust DCC-GARCH model extends Engle's (2002) Dynamic Conditional Correlation framework by replacing standard quasi-maximum likelihood estimation with outlier-resistant or composite-likelihood techniques. This preserves accurate time-varying correlation estimation even when financial return data contain extreme observations, heavy tails, or structural irregularities.
Avota reģistrs
Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.
Robust Dynamic Conditional Correlation GARCH Model
Taksonomiskās metodes reģistrs · regression-model / econometrics
- 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
Kurēti apgalvojumi
Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.
Vēl nav kurētu apgalvojumu
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.