Bayes ARCH Modeli
Bayesian Autoregressive Conditional Heteroskedasticity Model · Ayrıca şöyle bilinir: Bayesian ARCH, ARCH with Bayesian estimation, Bayesian conditional heteroskedasticity model, B-ARCH
Bayes ARCH modeli, Engle'ın Otoregresif Koşullu Heteroskedastisite (ARCH) modelini bir Bayes çerçevesinde tahmin eder. Olasılık fonksiyonunu maksimize etmek yerine, volatilite parametreleri üzerindeki bir önsel dağılımı veri olasılığı ile birleştirerek tam bir sonsal dağılım elde eder, bu da klasik maksimum olabilirlik ARCH'ye göre daha zengin bir belirsizlik ölçümü sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Finansal veya makroekonomik bir zaman serinizde zamana bağlı volatilite kanıtı varsa ve volatilite parametreleri üzerinde tam sonsal belirsizlik istiyorsanız — özellikle maksimum olabilirlik asimptotiklerinin güvenilmez olduğu küçük veya orta ölçekli örneklemlerde — Bayes ARCH modelini kullanın. Parametre aralıkları hakkında önsel bilgiye sahip olduğunuzda veya kalibre edilmiş güven aralıklarıyla volatilite için olasılıksal tahminlere ihtiyaç duyduğunuzda uygundur. Örneklem çok büyükse ve hesaplama hızı kritikse (klasik MLE ARCH daha hızlıdır), volatilite kümelenmesi kanıtı yoksa (sabit varyans modeli yeterlidir) veya volatilite dinamikleri bir GARCH uzantısı tarafından daha iyi yakalanıyorsa (kalıcılığı yeterince modellemek için gereken ARCH(q) mertebesi çok büyük olabilir) bundan kaçının.
Güçlü yönler & sınırlılıklar
- Maksimum olabilirlik asimptotik normalliğine dayanmadan kalibre edilmiş güven aralıklarını sağlayan ARCH parametreleri üzerinde tam sonsal dağılımlar sağlar.
- Özellikle örneklem kısa olduğunda değerli olan volatilite dinamikleri hakkındaki önsel bilgiyi doğal olarak içerir.
- Parametre belirsizliğini volatilite tahminlerine aktararak nokta tahminleri yerine olasılıksal tahmin dağılımları elde eder.
- Maksimum olabilirlik standart hatalarının ve Wald testlerinin güvenilmez olabileceği küçük örneklemlerde geçerli çıkarım sağlar.
- Rekabetçi ARCH mertebeleri arasında marjinal olasılıklar veya Bayes faktörleri aracılığıyla Bayes model karşılaştırmasını kolaylaştırır.
- Hesaplama açısından yoğundur: MCMC örneklemesi, büyük veri kümeleri için ML optimizasyonundan kat kat daha yavaştır.
- Sonsal çıkarım, önsel belirlemeye duyarlıdır, özellikle veri sınırlı olduğunda; kötü seçilmiş önsel dağılımlar sonsal dağılımı domine edebilir.
- Saf ARCH modelleri, kalıcı volatilite kümelenmesini yakalamak için yüksek mertebeler gerektirir; GARCH(1,1) neredeyse her zaman daha ekonomiktir.
- MCMC yakınsaması dikkatlice teşhis edilmelidir; başarısız zincirler, yüzeysel olarak makul görünebilecek yanlış sonsal dağılımlar üretir.
- Yazılım uygulamaları, klasik ARCH paketlerinden daha az standartlaştırılmıştır ve doğru şekilde kurulması için daha fazla ekonometri uzmanlığı gerektirir.
SSS
Bayes ARCH, klasik ARCH'den nasıl farklıdır?
Klasik ARCH, nokta tahminleri elde etmek için maksimum olabilirlik kullanır ve asimptotik teori aracılığıyla güven aralıkları oluşturur. Bayes ARCH, parametreleri rassal olarak ele alır, bir önseli olasılık fonksiyonu ile birleştirir ve tam bir sonsal dağılım üretir. Sonuç, küçük örneklemlerde geçerli olan kalibre edilmiş güven aralıkları ve önsel bilgiyi dahil etmek için doğal bir mekanizmadır.
Bayes çerçevesinde ARCH mu yoksa GARCH mi kullanmalıyım?
GARCH(1,1), volatilite kalıcılığını yüksek mertebeli ARCH'den çok daha az parametreyle yakaladığı için neredeyse her zaman tercih edilir. Ancak, analitik veya pedagojik amaçlar için — veya yapısal kısıtlamaların saf bir ARCH modelini daha yorumlanabilir hale getirdiği durumlarda — Bayes ARCH geçerli bir seçenek olmaya devam eder. Her ikisini de çalıştırın ve Bayes faktörleri aracılığıyla karşılaştırın.
Bayes ortamında ARCH mertebesi q nasıl seçilir?
Aday mertebeleri belirlemek için öncelikli bir ortalama denkleminin kareli artıklarının kısmi otokorelasyon fonksiyonunu hesaplayın, ardından mertebeler arasından resmi olarak seçim yapmak için MCMC çıktısından hesaplanan Bayes bilgi kriterlerini veya Bayes faktörlerini kullanın.
Bayes ARCH parametreleri için standart önsel dağılımlar nelerdir?
Yaygın bir seçim, kesişim alfa_0 için kesik normal veya gama önsel dağılımı (pozitifliği sağlayarak) ve ARCH katsayıları alfa_i için kesik normal önsel dağılımlarıdır (negatif olmamayı ve varyans durağanlığını garanti etmek için toplamlarının birden küçük olmasını sağlayarak). Hiperparametreler, serideki beklenen volatilite seviyelerini yansıtacak şekilde ayarlanabilir.
Bayes ARCH modellerini tahmin etmek için hangi yazılımları kullanabilirim?
Stan (RStan veya PyStan aracılığıyla) ve JAGS/BUGS, olasılıksal programlama yoluyla özel ARCH spesifikasyonlarını destekler. R paketi 'bayesforecast' ve 'bayesm' içindeki bazı fonksiyonlar da MCMC arka uçlarıyla ARCH ailesi modellerini kapsar.
Kaynaklar
- Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987–1007. DOI: 10.2307/1912773 ↗
- Geweke, J. (1989). Exact predictive densities for linear models with ARCH disturbances. Journal of Econometrics, 40(1), 63–86. DOI: 10.1016/0304-4076(89)90030-4 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Autoregressive Conditional Heteroskedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-arch-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARCH Modeli (Otoregresif Koşullu Heteroskedastisite)Ekonometri↔ karşılaştır
- Bayesçi EGARCH ModeliEkonometri↔ karşılaştır
- Bayesçi GARCH ModeliEkonometri↔ karşılaştır
- Bayesian TGARCH (Eşikli GARCH'ın Bayesçi Tahmini)Ekonometri↔ karşılaştır
- DCC-GARCH Modeli (Dinamik Koşullu Korelasyon)Ekonometri↔ karşılaştır
- GARCH Modeli (Volatilite Tahmini)Ekonometri↔ karşılaştır