Bayesçi GARCH Modeli
Bayesian Generalized Autoregressive Conditional Heteroskedasticity Model · Ayrıca şöyle bilinir: Bayesian GARCH, BGARCH, GARCH with Bayesian inference, Bayesian volatility model
Bayesçi GARCH modeli, zamanla değişen volatilite için GARCH çerçevesini Bayesçi sonsal çıkarım ile birleştirir. Bir olabilirlik maksimizasyonu yerine, GARCH parametreleri için önsel dağılımlar belirler ve sonuçta ortaya çıkan sonsal dağılımdan — tipik olarak Markov zinciri Monte Carlo (MCMC) aracılığıyla — çekimler yaparak hem nokta tahminlerini hem de volatilite dinamikleri hakkındaki tam belirsizliği ölçer.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Klasik GARCH'ın yalnızca nokta tahminleri yerine volatilite parametrelerinin tam bir belirsizlik karakterizasyonuna ihtiyaç duyduğunuzda Bayesçi GARCH modelini kullanın — özellikle küçük finansal örneklemlerde, Bayes faktörleri aracılığıyla model karşılaştırmasında veya parametre belirsizliğini küçümsemenin maliyetli olduğu Value-at-Risk uygulamalarında önemlidir. Ayrıca, gerçek önsel bilgiyi, örneğin ARCH ve GARCH parametrelerini durağanlığa doğru düzenlemeyi dahil etmek istediğinizde de uygundur. Hesaplama süresinin ciddi şekilde kısıtlı olduğu, örneklemin çok büyük olduğu ve klasik GARCH'ın zaten dar tahminler verdiği veya modelin anlamlı önsel belirlemeyi zorlaştıracak kadar ağır bir şekilde genişletildiği durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Volatilite tahminleri ve risk ölçümleri için tutarlı belirsizlik ölçümü sağlayan parametreler üzerinde tam bir sonsal dağılım sağlar.
- Önsel bilgiyi veya düzenlemeyi doğal olarak içerir, bu da kısa zaman serilerinde parametre tahminlerini stabilize edebilir.
- İç içe geçmiş model yapısı gerektirmeden marjinal olabilirlik ve Bayes faktörleri aracılığıyla titiz model karşılaştırmasını destekler.
- Tahmin edici aralıklar parametre belirsizliği üzerinden otomatik olarak entegre olur, bu da klasik tak-çalıştır tahminlerin iyimser darlığından kaçınır.
- Aynı sonsal çerçeve içinde standart olmayan uzantıları (kalın kuyruklar, asimetrik etkiler) tahmin rutinini yeniden yazmadan ele alır.
- MCMC hesaplama açısından yoğundur; karmaşık GARCH varyantları veya büyük veri kümeleri için uzun zincirler gerekir.
- Sonsal sonuçlar, örneklem küçük olduğunda ve olabilirlik nispeten düz olduğunda önsel seçimlerine duyarlı olabilir.
- MCMC yakınsama teşhisi (iz grafikleri, Gelman-Rubin istatistikleri) ek çaba ve uzmanlık gerektirir.
- Marjinal olabilirlik hesaplaması için Bayes faktörleri önemsizdir ve tahminciye bağlıdır (örneğin, harmonik ortalama tahmincisi güvenilmezdir).
SSS
Bayesçi GARCH, klasik (MLE) GARCH'tan nasıl farklıdır?
Klasik GARCH, nokta tahminlerini elde etmek için log-olabilirliği maksimize eder ve asimptotik standart hataları kullanır. Bayesçi GARCH bunun yerine tüm parametrelerin sonsal dağılımından örnekler alır, nokta tahminleri yerine tam belirsizlik dağılımları üretir ve asimptotik yaklaşımlara güvenmekten kaçınır.
Önsel belirlemem gerekir mi ve sonuçlar önsel seçimine ne kadar duyarlıdır?
Evet — önsel belirleme gereklidir. Büyük örneklemler için, zayıf bilgilendirici önsel dağılımlar (örneğin, pozitifliği ve durağanlığı zorlayan kesik normaller) MLE'ye yakın sonuçlar verir. Küçük örneklemlerde, önsel dağılımlar daha önemlidir; olası önsel seçimleri üzerinde bir duyarlılık analizi önerilir.
Tipik olarak kaç MCMC çekimi gereklidir?
Yaygın uygulama, %20-50 ısınma ile toplam 10.000–50.000 çekimdir. Her parametre için etkili örneklem boyutları (ESS) ideal olarak 1.000'i aşmalıdır. GARCH parametreleri yavaş karışım sergileyebilir, bu nedenle daha uzun zincirler ve öneri ayarlaması genellikle gereklidir.
Gauss yerine Student-t hata dağılımı kullanabilir miyim?
Evet ve finansal getiriler için sıklıkla tavsiye edilir, çünkü bunlar normal dağılımın ima ettiğinden daha kalın kuyruklara sahiptir. Serbestlik derecesi parametresi bir önsele tabi tutulabilir ve GARCH parametreleriyle aynı MCMC şeması içinde ortaklaşa tahmin edilebilir.
Bayesçi GARCH tahminini hangi yazılımlar destekler?
Stan (RStan veya CmdStanR arayüzleri aracılığıyla), JAGS ve BUGS özel Bayesçi GARCH modellerini uyarlayabilir. R paketi bayesGARCH, verimli bir Metropolis-Hastings algoritması kullanarak Student-t GARCH(1,1) durumu için özel bir uygulama sunar.
Kaynaklar
- 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 ↗
- 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 Generalized Autoregressive Conditional Heteroskedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-garch-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
- GARCH Modeli (Volatilite Tahmini)Ekonometri↔ karşılaştır