Modelo EGARCH Bayesiano
O modelo EGARCH Bayesiano combina a especificação de GARCH Exponencial de Nelson (1991) — que modela o logaritmo da variância condicional e captura o efeito alavancagem — com inferência posterior Bayesiana via Cadeias de Markov de Monte Carlo (MCMC). Isso permite a quantificação completa da incerteza de todos os parâmetros de volatilidade, incluindo o coeficiente de assimetria, sem exigir normalidade das estimativas em amostras grandes.
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
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. DOI: 10.2307/2938260 ↗
- Nakatsuma, T. (2000). Bayesian analysis of ARMA-GARCH models: A Markov chain sampling approach. Journal of Econometrics, 95(1), 57–69. DOI: 10.1016/S0304-4076(99)00029-9 ↗
Como citar esta página
ScholarGate. (2026, June 3). Bayesian Exponential Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/pt/econometrics/bayesian-egarch
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 ARCH (Autoregressive Conditional Heteroskedasticity)Econometria↔ compare
- GARCH Bayesiano de Correlação Condicional Dinâmica (Bayesian DCC-GARCH)Econometria↔ compare
- Modelo GARCH BayesianoEconometria↔ compare
- TGARCH Bayesiano (TGARCH Limiar com Estimação Bayesiana)Econometria↔ compare
- Modelo de Vetor Autoregressivo Bayesiano (BVAR)Econometria↔ compare
- Modelo EGARCH (GARCH Exponencial)Econometria↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →