Model Ingatan Jangka Panjang (ARFIMA, FIGARCH)
Model ingatan jangka panjang ialah kaedah penyepaduan pecahan yang menangkap ingatan jangka panjang sebenar melalui struktur autokorelasi yang merosot secara hiperbolik. ARFIMA, diperkenalkan oleh Granger dan Joyeux (1980), memodelkan ingatan jangka panjang dalam siri pulangan, manakala FIGARCH, diperkenalkan oleh Baillie, Bollerslev dan Mikkelsen (1996), menangkap ingatan jangka panjang dalam siri keterbabatan; parameter d mengukur darjah penyepaduan pecahan.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 1). Long-Memory Time Series Models (ARFIMA, FIGARCH). ScholarGate. https://scholargate.app/ms/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.
- Model ARIMA (Autoregresif Bersepadu Purata Bergerak)Ekonometrik↔ compare
- Model GARCH (Peramalan Volatiliti)Ekonometrik↔ compare
- Analisis Mikrostruktur Pasaran dan Data Frekuensi TinggiKewangan↔ compare
- Regresi Kuasa Dua Terkecil Biasa (OLS)Ekonometrik↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →