Bayesian TGARCH (Eşikli GARCH'ın Bayesçi Tahmini)
Bayesian Threshold Generalized Autoregressive Conditional Heteroscedasticity Model · Ayrıca şöyle bilinir: Bayesian TGARCH, Bayesian GJR-GARCH, Threshold GARCH with Bayesian estimation, TGARCH-B
Bayesian TGARCH, oynaklığın pozitif ve negatif şoklara asimetrik tepkisini yakalayan Eşikli GARCH (Threshold GARCH) oynaklık modelini, Markov Zinciri Monte Carlo (MCMC) örneklemesi yoluyla tam Bayesçi çıkarımla birleştirir. Sonuç, kaldıraç etkilerini ve kalın kuyruklu finansal getirileri modellemek için ilkeli, belirsizlik-farkında bir çerçevedir.
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 serilerini, asimetrik oynaklık (kaldıraç etkileri) beklediğiniz ve nokta tahminleri yerine tam sonsal belirsizlik ölçümü istediğiniz durumlarda Bayesian TGARCH kullanın. Özellikle MLE'nin sınır çözümleri veya belirsiz standart hatalar üretebildiği küçük veya orta ölçekli örneklemler için ve benzer piyasalar veya varlıklardan ön bilgi mevcut olduğunda uygundur. Ayrıca Değer-Risk (Value-at-Risk) veya Beklenen Eksiklik (Expected Shortfall) gibi risk ölçümleri için uygun aralık tahminlerine ihtiyaç duyulduğunda da uygundur. Verilerin çok bol olduğu ve hesaplama hızının öncelik olduğu durumlarda veya asimetrik oynaklık beklentisi için esaslı bir nedenin bulunmadığı durumlarda kaçının - bu durumlarda standart bir Bayesçi GARCH daha basittir ve eşit derecede geçerlidir.
Güçlü yönler & sınırlılıklar
- Kaldıraç etkisini yakalar: negatif şoklar, eşit büyüklükteki pozitif şoklardan daha fazla gelecekteki oynaklığı artırır.
- Tüm parametreler ve türetilmiş risk ölçümleri için dürüst belirsizlik ölçümü sağlayan tam sonsal dağılımlar.
- Önsel'ler durağanlık kısıtlamalarını kodlayabilir ve MLE'nin bazen ürettiği geçersiz parametre tahminlerini önleyebilir.
- Maksimum olabilirlik TGARCH'ın güvenilmez olduğu küçük örneklemlerle iyi çalışır.
- Aynı MCMC çerçevesi içinde Student-t veya diğer kalın kuyruklu hata dağılımlarını kolayca kaldırabilir.
- Sonsal öngörücü dağılımları doğrudan gelecekteki oynaklığın olasılıklı tahminlerini verir.
- Hesaplama açısından pahalıdır: MCMC örneklemesi, büyük veri kümeleri veya uzun zincirler için MLE'den kat kat daha yavaştır.
- Sonuçlar önsel seçimine duyarlıdır, özellikle sınırlı veriyle; kötü belirtilmiş önsel'ler çıkarımı domine edebilir.
- Yakınsama tanıları (izleme grafikleri, Gelman-Rubin R-hat) dikkatlice kontrol edilmelidir; başarısızlıklar her zaman belirgin değildir.
- Uygulama özel yazılım gerektirir (örneğin, R'da bayesGARCH veya özel Stan/PyMC kodu).
- Sonsal dağılımları yorumlamak ve iletmek, nokta tahminlerini standart hatalarla raporlamaktan daha zordur.
SSS
TGARCH'taki eşik nedir ve neden önemlidir?
Eşik, gecikmeli şokun sıfır değeridir: gösterge 1_{eps<0} yalnızca önceki dönemin şoku negatif olduğunda ek bir oynaklık terimini etkinleştirir. Bu, kaldıraç etkisini - kötü haberlerin eşit büyüklükteki iyi haberlerden daha fazla oynaklığı artırma eğiliminin iyi belgelenmiş olması - yakalar.
Bayesian TGARCH, maksimum olabilirlik TGARCH'tan nasıl farklıdır?
MLE, her parametre için tek bir nokta tahmini ve asimptotik standart hatalar üretir. Bayesçi tahmin, tam sonsal dağılımlar üretir, gerçek parametre belirsizliğini yansıtan, küçük örneklemlerde geçerli olan ve ön bilgiyi içerebilen güven aralıkları sağlar. Karşılığında önemli ölçüde daha yüksek hesaplama süresi vardır.
Asimetri parametresi gama için hangi önseli kullanmalıyım?
Yaygın bir seçim, kaldıraç etkisinin mevcut olabileceği ancak büyük varsayılmadığına dair hafif bir ön inancı ifade eden, orta varyanslı sıfır merkezli bir Normal veya kesilmiş Normal önseldir. Karşılaştırılabilir varlıklardan güçlü kanıtlarınız varsa, bilgilendirici bir önsel küçük örneklemlerde tahmini iyileştirebilir.
MCMC zincirimim yakınsadığından nasıl emin olabilirim?
Tüm parametreler için izleme grafiklerini inceleyin (eğilim göstermeyen 'tüylü tırtıllar' gibi görünmelidirler), Gelman-Rubin R-hat istatistiğini hesaplayın (1.05'in altındaki değerler kabul edilebilirdir) ve etkili örneklem boyutunun (ESS) yeterince büyük olduğundan emin olun - en az 400, güvenilir sonsal özetler için yaygın bir kuraldır.
Bayesian TGARCH, normal olmayan yenilikleri kaldırabilir mi?
Evet. Yenilikler için bir Student-t veya Genelleştirilmiş Hata Dağılımı, serbestlik derecesi veya şekil parametresi üzerine bir önsel yerleştirilerek ve bu parametre varyans parametreleriyle birlikte örneklenerek kolayca dahil edilebilir. Bu, Bayesçi yaklaşımın kapalı form MLE türevlerine göre temel pratik avantajlarından biridir.
Kaynaklar
- Zakoian, J.-M. (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and Control, 18(5), 931-955. DOI: 10.1016/0165-1889(94)90039-6 ↗
- Ardia, D. (2008). Financial Risk Management with Bayesian Estimation of GARCH Models: Theory and Applications. Springer. ISBN: 978-3-540-78656-6
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Threshold Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-tgarch
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes ARCH ModeliEkonometri↔ karşılaştır
- Bayesçi EGARCH ModeliEkonometri↔ karşılaştır
- Bayesçi GARCH ModeliEkonometri↔ karşılaştır
- DCC-GARCH Modeli (Dinamik Koşullu Korelasyon)Ekonometri↔ karşılaştır
- TGARCH Modeli (Eşik GARCH)Ekonometri↔ karşılaştır