Bayesyen Dinamik Koşullu İlişki GARCH (Bayesyen DCC-GARCH)
Bayesian Dynamic Conditional Correlation GARCH Model · Ayrıca şöyle bilinir: Bayesian DCC-GARCH, Bayesian Dynamic Conditional Correlation, MCMC DCC-GARCH, Bayesian multivariate volatility model
Bayesyen DCC-GARCH, Engle'ın DCC-GARCH yapısını Bayesyen çıkarım ile birleştirerek birden çok finansal veya ekonomik seride zamanla değişen ilişkileri tahmin eder. Bir olabilirlik maksimizasyonu yerine, tüm parametrelere önsel dağılımlar atar ve tam sonsal dağılımlar üretmek için Markov Zinciri Monte Carlo (MCMC) örneklemesini kullanır, bu da klasik DCC-GARCH'dan 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
Zamanla değişen ilişkiler üzerinde tam sonsal belirsizlik istediğiniz ve sadece nokta tahminleri yerine bu ilişkiler üzerinde tam sonsal belirsizlik istediğinizde, iki veya daha fazla finansal veya makroekonomik seri arasındaki zamanla değişen ilişkileri modellemeniz gerektiğinde Bayesyen DCC-GARCH'ı kullanın. Özellikle klasik maksimum olabilirlik DCC tahminlerinin kararsız olduğu orta uzunluktaki örneklemlerde (seri başına yaklaşık 200-1000 gözlem) veya parametre aralıkları hakkında gerçek önsel bilgilere sahip olduğunuzda (örneğin, ilgili bir piyasadan veya varlık sınıfından) değerlidir. Ayrıca, Değer Riskinde veya portföy oynaklığında güvenilir aralıklar gerektiren risk yönetimi bağlamlarında tercih edilir. Çok büyük veri kümeleriniz olduğunda ve hesaplama maliyeti kısıtlayıcı olduğunda bundan kaçının; seri sayısı çok büyük olduğunda (5-10'un ötesinde), MCMC zincirleri yavaşlar ve DCC parametrizasyonu kendisi kısıtlayıcı olabilir - bunun yerine faktör GARCH veya DCC-MIDAS alternatiflerini düşünün.
Güçlü yönler & sınırlılıklar
- Asimptotik yaklaşımlara dayanmadan zamanla değişen ilişkiler üzerinde güvenilir aralıklar sağlayan tüm parametreler için tam sonsal dağılımlar sağlar.
- Özellikle küçük veya orta ölçekli örneklemlerde olabilirlik tabanlı güven aralıklarının yanlış olabileceği durumlarda önemli olan parametre belirsizliğini doğal olarak ele alır.
- Veriler sınırlı olduğunda tahmini düzenleyen teori, önceki çalışmalar veya uzman bilgisi gibi önsel bilgilerin dahil edilmesine olanak tanır.
- Senaryo analizi ve portföy riski için olasılıksal tahminler için faydalı olan sonsal tahmin dağılımları üretir.
- Tüm parametrelerin tek bir tutarlı çerçevede eşzamanlı tahmini, iki adımlı klasik DCC tahmincisinin verimlilik kaybını önler.
- Hesaplama açısından yoğundur: Çok değişkenli GARCH modelleri için MCMC örneklemesi, özellikle seri sayısı arttıkça saatlerce çalışma süresi gerektirebilir.
- Önsel hassasiyet: sonuçlar varyans ve DCC parametreleri için önsel seçimlere bağlı olabilir, dikkatli önsel seçimi veya hassasiyet analizi gerektirir.
- DCC parametrizasyonu, tüm ikili ilişkiler için ortak bir dinamik varsayar (a ve b skalerdir), bu da büyük heterojen sistemler için fazla kısıtlayıcı olabilir.
- Yüksek boyutlu MCMC için yakınsama tanıları doğrulamak zor olabilir, zincirler iyi karışmamışsa yanıltıcı sonsal özetler riski taşır.
SSS
Bayesyen DCC-GARCH, standart (klasik) DCC-GARCH'dan nasıl farklıdır?
Klasik DCC-GARCH, nokta tahminleri ve asimptotik standart hatalar üretmek için iki adımlı yarı-maksimum-olabilirlik kullanır. Bayesyen DCC-GARCH, tüm parametreleri belirsiz olarak ele alır, onlara önsel atar ve tam sonsal dağılımlar elde etmek için MCMC kullanır. Bayesyen sürüm daha dürüst belirsizlik ölçümü sağlar ve küçük ila orta ölçekli örneklemlerde daha güvenilirdir, ancak çok daha büyük hesaplama maliyetiyle.
DCC parametreleri için tipik olarak hangi önseller kullanılır?
Yaygın seçimler, DCC skalerleri a ve b için Beta(1,1) veya Beta(1,5) önselleridir, genellikle durağanlığı sağlamak için a + b < 1 olacak şekilde kesilir. GARCH varyans parametreleri tipik olarak Gamma veya yarı-Normal önseller alır. Önsel seçimine hassasiyet, alternatif önsellerle yeniden çalıştırılarak kontrol edilmelidir.
Bayesyen DCC-GARCH gerçekçi olarak kaç seriyi işleyebilir?
Pratik sınırlar hesaplamaya bağlıdır, ancak MCMC ile Bayesyen DCC-GARCH tipik olarak 2-8 seri için uygundur. 10 serinin ötesinde, çalışma süresi çok uzun hale gelir ve skaler DCC varsayımı muhtemelen çok kısıtlayıcıdır; faktör GARCH veya Go-GARCH alternatiflerini düşünün.
MCMC yakınsamasını nasıl kontrol ederim?
Karışım için her parametrenin iz grafiklerini inceleyin (eğilim veya takılı zincirler yok), Gelman-Rubin R-hat istatistiğini hesaplayın (1'e yakın değerler yakınsamayı gösterir) ve güvenilir sonsal özetler için yeterli sayıda yaklaşık bağımsız çiziminiz olduğundan emin olmak için etkili örneklem boyutunu (ESS) izleyin.
Bayesyen DCC-GARCH asimetrik oynaklığı ele alabilir mi?
Standart DCC spesifikasyonu, ilk aşamada simetrik GARCH(1,1) kullanır. Asimetrik tepkiler (kaldıraç etkileri), tek değişkenli GARCH'ı bir EGARCH veya GJR-GARCH spesifikasyonu ile değiştirerek, bir Bayesyen Asimetrik DCC-GARCH modeli üreterek karşılanabilir.
Kaynaklar
- 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 ↗
- Virbickaite, A., Ausin, M. C., & Galeano, P. (2015). Bayesian inference methods for univariate and multivariate GARCH models: A survey. Journal of Economic Surveys, 29(1), 76-96. DOI: 10.1111/joes.12046 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Dynamic Conditional Correlation GARCH Model. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-dcc-garch
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi EGARCH ModeliEkonometri↔ karşılaştır
- Bayesçi GARCH ModeliEkonometri↔ karşılaştır
- Bayesian TGARCH (Eşikli GARCH'ın Bayesçi Tahmini)Ekonometri↔ karşılaştır
- Bayesçi VAR Modeli (BVAR)Ekonometri↔ karşılaştır
- DCC-GARCH Modeli (Dinamik Koşullu Korelasyon)Ekonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır