Модели долгой памяти (ARFIMA, FIGARCH)
Модели долгой памяти — это методы дробной интеграции, которые фиксируют истинную долгую память через гиперболическую убывающую структуру автокорреляции. Модель ARFIMA, предложенная Грейнджером и Жуайе (Granger and Joyeux, 1980), моделирует долгую память в рядах доходностей, тогда как модель FIGARCH, предложенная Бэйли, Боллерслевом и Миккельсеном (Baillie, Bollerslev and Mikkelsen, 1996), фиксирует долгую память в рядах волатильности; параметр d измеряет степень дробной интеграции.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 1). Long-Memory Time Series Models (ARFIMA, FIGARCH). ScholarGate. https://scholargate.app/ru/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.
- Модель ARIMA (авторегрессионная интегрированная скользящая средняя)Эконометрика↔ compare
- Модель GARCH (прогнозирование волатильности)Эконометрика↔ compare
- Высокочастотные данные и анализ микроструктуры рынкаФинансы↔ compare
- Регрессия методом обыкновенных наименьших квадратов (ОНМК)Эконометрика↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →