Modelos de Memória Longa (ARFIMA, FIGARCH)
Modelos de memória longa são métodos de integração fracionária que capturam memória genuína de longo prazo através de uma estrutura de autocorrelação com decaimento hiperbólico. O ARFIMA, introduzido por Granger e Joyeux (1980), modela a memória longa em séries de retornos, enquanto o FIGARCH, introduzido por Baillie, Bollerslev e Mikkelsen (1996), captura a memória longa em séries de volatilidade; o parâmetro d mede o grau de integração fracionária.
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
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 1). Long-Memory Time Series Models (ARFIMA, FIGARCH). ScholarGate. https://scholargate.app/pt/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.
- Modelo ARIMA (Autoregressive Integrated Moving Average)Econometria↔ compare
- Modelo GARCH (Previsão de Volatilidade)Econometria↔ compare
- Dados de Alta Frequência e Análise da Microestrutura de MercadoFinanças↔ compare
- Regressão por Mínimos Quadrados Ordinários (MQO)Econometria↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →