Modeller med långt minne (ARFIMA, FIGARCH)
Modeller med långt minne är metoder för bråk-integration som fångar äkta långt minne genom en autokorrelationsstruktur som avtar hyperboliskt. ARFIMA, introducerad av Granger och Joyeux (1980), modellerar långt minne i avkastningsserier, medan FIGARCH, introducerad av Baillie, Bollerslev och Mikkelsen (1996), fångar långt minne i volatilitetsserier; parametern d mäter graden av bråk-integration.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Long-Memory Time Series Models (ARFIMA, FIGARCH). ScholarGate. https://scholargate.app/sv/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.
- ARIMA (Autoregressive Integrated Moving Average) ModellEkonometri↔ compare
- GARCH-modellen (prognostisering av volatilitet)Ekonometri↔ compare
- Högfrekvensdata och analys av marknadsmikrostrukturFinansiell ekonomi↔ compare
- Vanligaste minsta kvadratmetoden (OLS) RegressionEkonometri↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →