GARCH Bayesiano de Correlação Condicional Dinâmica (Bayesian DCC-GARCH)
O DCC-GARCH Bayesiano estima correlações variantes no tempo entre múltiplas séries financeiras ou econômicas, combinando a estrutura DCC-GARCH de Engle com inferência Bayesiana. Em vez de maximizar uma verossimilhança, ele coloca distribuições a priori sobre todos os parâmetros e utiliza amostragem de Cadeia de Markov Monte Carlo (MCMC) para produzir distribuições a posteriori completas, resultando em uma quantificação de incerteza mais rica do que o DCC-GARCH clássico.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Bayesian Dynamic Conditional Correlation GARCH Model. ScholarGate. https://scholargate.app/pt/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.
- Modelo EGARCH BayesianoEconometria↔ compare
- Modelo GARCH BayesianoEconometria↔ compare
- TGARCH Bayesiano (TGARCH Limiar com Estimação Bayesiana)Econometria↔ compare
- Modelo de Vetor Autoregressivo Bayesiano (BVAR)Econometria↔ compare
- Modelo DCC-GARCH (Correlação Condicional Dinâmica)Econometria↔ compare
- Autoregressores Vetoriais (VAR)Econometria↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →