Bayesian Dynamic Conditional Correlation GARCH (Bayesian DCC-GARCH)
Bayesian DCC-GARCH estymuje zmienne w czasie korelacje pomiędzy wieloma seriami finansowymi lub ekonomicznymi, łącząc strukturę DCC-GARCH Engle'a z wnioskowaniem bayesowskim. Zamiast maksymalizacji funkcji wiarygodności, przypisuje rozkłady a priori wszystkim parametrom i wykorzystuje próbkowanie metodą łańcuchów Markowa (MCMC) do uzyskania pełnych rozkładów aposteriornych, co zapewnia bogatszą kwantyfikację niepewności niż klasyczny DCC-GARCH.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Dynamic Conditional Correlation GARCH Model. ScholarGate. https://scholargate.app/pl/econometrics/bayesian-dcc-garch
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.
- Bayesowski model EGARCHEkonometria↔ compare
- Model bayesowski GARCHEkonometria↔ compare
- Bayesian TGARCH (Bayesowska estymacja modelu TGARCH)Ekonometria↔ compare
- Model Bayesowski VAR (BVAR)Ekonometria↔ compare
- Model DCC-GARCH (Dynamic Conditional Correlation)Ekonometria↔ compare
- Autoregresja Wektorowa (VAR)Ekonometria↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →