Modeļi ar ilgu atmiņu (ARFIMA, FIGARCH)
Modeļi ar ilgu atmiņu ir daļējas integrācijas metodes, kas atspoguļo patiesu ilgu atmiņu, izmantojot hiperboliski samazinošu autokorelācijas struktūru. ARFIMA, ko ieviesa Greindžers un Žojs (1980), modelē ilgu atmiņu atdeves sērijās, savukārt FIGARCH, ko ieviesa Beilijs, Bolerslevs un Mikelsens (1996), atspoguļo ilgu atmiņu svārstīguma sērijās; parametrs d mēra daļējas integrācijas pakāpi.
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
- Granger, C. W. J. & Joyeux, R. (1980). An Introduction to Long-Memory Time Series Models and Fractional Differencing. Journal of Time Series Analysis, 1(1), 15-29. DOI: 10.1111/j.1467-9892.1980.tb00297.x ↗
- Baillie, R. T., Bollerslev, T. & Mikkelsen, H. O. (1996). Fractionally Integrated Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 74(1), 3-30. DOI: 10.1016/S0304-4076(95)01749-6 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Long-Memory Time Series Models (ARFIMA, FIGARCH). ScholarGate. https://scholargate.app/lv/finance/long-memory-models
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.
- ARIMA (autoregresīvais integrētais slīdošā vidējā) modelisEkonometrija↔ compare
- GARCH modelis (volatilitātes prognozēšana)Ekonometrija↔ compare
- Augstas frekvences datu un tirgus mikrostruktūras analīzeFinanses↔ compare
- Parastā mazāko kvadrātu (OLS) regresijaEkonometrija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →