Bayesçi EGARCH Modeli
Bayesian Exponential Generalized Autoregressive Conditional Heteroscedasticity Model · Ayrıca şöyle bilinir: Bayesian EGARCH model, Bayesian Exponential GARCH, EGARCH with Bayesian estimation, B-EGARCH
Bayesçi EGARCH modeli, koşullu varyansın logaritmasını modelleyen ve kaldıraç etkisini yakalayan Nelson'un (1991) Üstel GARCH (EGARCH) spesifikasyonunu, Markov Zinciri Monte Carlo (MCMC) aracılığıyla Bayesçi sonsal çıkarım ile birleştirir. Bu, tahminlerin büyük örneklem normalliğini gerektirmeden, simetri katsayısı da dahil olmak üzere tüm volatilite parametrelerinin tam belirsizlik ölçümünü 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 getiri serilerinde asimetrik volatiliteyi (kaldıraç etkisi) modellemeniz ve özellikle en yüksek olabilirlik tahminlerinin güvenilmez olabileceği kısa örneklemlerde (500 gözlemden az) asimetri ve kalıcılık parametreleri üzerinde tam sonsal belirsizlik istemeniz gerektiğinde Bayesçi EGARCH kullanın. Ayrıca, parametre aralıkları hakkında önsel bilgiyi dahil etmek istediğinizde, rekabet eden EGARCH spesifikasyonlarını resmi Bayesçi model seçimi yoluyla karşılaştırdığınızda veya volatilite belirsizliğini Değer-Risk (Value-at-Risk) gibi aşağı akış risk ölçülerine yaymak istediğinizde uygundur. Standart (sıklıkçı) bir EGARCH'ın yeterli olduğu ve hesaplama süresinin sınırlı bir kısıtlama olduğu durumlarda veya verilerde belirgin bir asimetrik volatilite örüntüsü olmadığında — bu durumda simetrik bir GARCH yeterli olabilir — kullanmayın.
Güçlü yönler & sınırlılıklar
- Kaldıraç etkisini yakalar: negatif şoklar, eşit büyüklükteki pozitif şoklardan daha fazla volatiliteyi artırır.
- Log-varyans formülasyonu, parametrelere eşitsizlik kısıtlamaları getirmeden pozitif koşullu varyansı garanti eder.
- Tam sonsal çıkarım, asimptotik yaklaşımlara dayanmadan, simetri katsayısı da dahil olmak üzere tüm parametreler için güven aralıkları sağlar.
- Önseller tahmin yüzeyini düzenlediği için kısa örneklemleri en yüksek olabilirlikten daha iyi ele alır.
- EGARCH, GARCH ve TGARCH spesifikasyonları arasında prensipli Bayesçi model karşılaştırmasına olanak tanır.
- Sonsal öngörücü dağılımlar dürüst olasılıksal volatilite tahminleri verir.
- MCMC örneklemesi, özellikle yüksek frekanslı veriler veya büyük modeller için, en yüksek olabilirlik EGARCH'a kıyasla hesaplama açısından pahalıdır.
- Sonuçlar önsel seçimlere bağlıdır; kötü belirlenmiş önseller, özellikle küçük örneklemlerde çıkarımı bozabilir.
- Markov zincirinin yakınsaması dikkatlice doğrulanmalıdır; yakınsamama yanıltıcı sonsal dağılımlar üretir.
- Model hala doğru şekilde belirtilmiş bir hata dağılımı (örneğin, Student-t) gerektirir; yanlış belirtme volatilite tahminlerini yanlı hale getirir.
- Yorumlama, güven aralıkları ve sonsal öngörücü kontroller gibi Bayesçi kavramlara aşinalık gerektirir.
SSS
Kaldıraç etkisi nedir ve EGARCH neden standart GARCH'tan daha iyi yakalar?
Kaldıraç etkisi, negatif getiri şoklarının aynı büyüklükteki pozitif şoklardan daha fazla volatiliteyi artırma eğilimidir. Standart GARCH, karesi alınmış artıkları kullanır, bu nedenle eşit büyüklükteki pozitif ve negatif şoklar varyansı aynı şekilde etkiler. EGARCH, gamma katsayısı aracılığıyla işaretli standartlaştırılmış artığı içerir ve doğrudan asimetrik tepkilere izin verir.
EGARCH için neden en yüksek olabilirlik yerine Bayesçi tahmin kullanılır?
En yüksek olabilirlik, kısa örneklemlerde veya olabilirlik yüzeyinin kaldıraç parametresi civarında düz veya çok modlu olduğu durumlarda güvenilmez olabilen asimptotik standart hatalarla nokta tahminleri sağlar. Bayesçi tahmin, tüm parametreler üzerinde tam bir sonsal dağılım verir, dürüst belirsizlik ölçümü sağlar ve önsel bilgiyi dahil edebilir — hepsi örneklemler küçük olduğunda veya model belirsizliği yüksek olduğunda avantajdır.
Güvenilir çıkarım için kaç MCMC çekimi gereklidir?
Bu, örnekleyicinin karışım oranına bağlıdır, ancak yaygın bir başlangıç noktası, 5.000 çekimlik bir yanma süresi (burn-in) ve ardından Gelman-Rubin istatistiği aracılığıyla yakınsama kontrol edilen 20.000–50.000 saklanan çekimdir (1.1'in altındaki değerler yeterli yakınsamayı gösterir). Çekimler arasındaki otokorelasyon yüksekse zinciri inceltin.
Yenilikler için hangi hata dağılımı varsayılmalıdır?
Finansal getiriler tipik olarak normal dağılımdan daha ağır kuyruklara sahiptir, bu nedenle standartlaştırılmış yenilikler için bir Student-t dağılımı genellikle tercih edilir. Serbestlik derecesi parametresine kendisi bir önsel atanabilir ve verilerden tahmin edilebilir, bu da volatilite dinamiklerinin yanı sıra esnek bir kuyruk kalınlığı tahmini sağlar.
Bayesçi bir EGARCH, Bayesçi bir GARCH veya TGARCH ile nasıl karşılaştırılır?
Sapma Bilgi Kriteri (DIC) veya Bayesçi tek-dışarı çapraz doğrulama (LOO-CV) kullanın. Daha düşük DIC veya daha yüksek LOO beklenen log öngörücü yoğunluğu, daha iyi uyan modeli destekler. Model belirsizliği önemliyse, rekabet eden spesifikasyonlar üzerinde Bayesçi model ortalaması da mümkündür.
Kaynaklar
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. DOI: 10.2307/2938260 ↗
- Nakatsuma, T. (2000). Bayesian analysis of ARMA-GARCH models: A Markov chain sampling approach. Journal of Econometrics, 95(1), 57–69. DOI: 10.1016/S0304-4076(99)00029-9 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Exponential Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-egarch
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
- Bayesyen Dinamik Koşullu İlişki GARCH (Bayesyen DCC-GARCH)Ekonometri↔ karşılaştır
- Bayesçi GARCH ModeliEkonometri↔ karşılaştır
- Bayesian TGARCH (Eşikli GARCH'ın Bayesçi Tahmini)Ekonometri↔ karşılaştır
- Bayesçi VAR Modeli (BVAR)Ekonometri↔ karşılaştır