Robust Dynamisk Villkorlig Korrelation GARCH (Robust DCC-GARCH)
Robust DCC-GARCH-modellen utökar Engles (2002) ramverk för dynamisk villkorlig korrelation genom att ersätta standard kvasi-maximum likelihood-skattning med outlier-resistenta eller sammansatta likelihood-tekniker. Detta bibehåller noggrann tidsvarierande korrelationsskattning även när finansiella avkastningsdata innehåller extrema observationer, tunga svansar eller strukturella oregelbundenheter.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
- Pakel, C., Shephard, N., Sheppard, K., & Engle, R. F. (2021). Fitting vast dimensional time-varying covariance models. Journal of Business and Economic Statistics, 39(3), 652–668. DOI: 10.1080/07350015.2020.1713795 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Robust Dynamic Conditional Correlation GARCH Model. ScholarGate. https://scholargate.app/sv/econometrics/robust-dcc-garch
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- DCC-GARCH-modellen (Dynamic Conditional Correlation)Ekonometri↔ jämför
- GARCH-modellen (prognostisering av volatilitet)Ekonometri↔ jämför
- Robust EGARCH-modellEkonometri↔ jämför
- Robust GARCH-modellEkonometri↔ jämför
- Robust TGARCHEkonometri↔ jämför
- Vektorautoregression (VAR)Ekonometri↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →