DCC-GARCH Modeli (Dinamik Koşullu Korelasyon)
Dynamic Conditional Correlation Generalized Autoregressive Conditional Heteroscedasticity Model · Ayrıca şöyle bilinir: DCC-GARCH, Dynamic Conditional Correlation GARCH, Engle DCC model, multivariate DCC
Engle (2002) tarafından tanıtılan DCC-GARCH modeli, birden fazla finansal zaman serisi arasındaki zamanla değişen korelasyonları yakalamak için tek değişkenli GARCH'ı genişletir. Çok değişkenli koşullu kovaryans matrisini bireysel volatilite süreçlerine ve dinamik bir korelasyon matrisine ayrıştırır, bu da korelasyonların zamanla dalgalanmasına izin verirken, çok sayıda seriyle bile hesaplama açısından elverişli kalmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+11 tane daha
Ne zaman kullanılır
İki veya daha fazla finansal veya ekonomik zaman serisi arasındaki zamanla değişen korelasyonları modellemeniz gerektiğinde DCC-GARCH kullanın — örneğin, portföy riski yönetiminde, bulaşıcılık analizinde veya volatilite yayılma çalışmalarında. Bireysel serilerin GARCH tipi volatilite kümelenmesi sergilediği ve korelasyonların zamanla değiştiği şüphelenildiğinde (örneğin, krizler etrafında) uygundur. Korelasyonların kararlı olduğu durumlarda (sabit korelasyonlu CCC-GARCH yeterlidir), finansal olmayan ve volatilite kümelenmesi olmayan verilerde, örneklem kısa olduğunda (seri başına ~200 gözlemden az) veya seri sayısı o kadar büyük olduğunda ki iki adımlı tahmin bile kararsız hale gelirse kullanmayın.
Güçlü yönler & sınırlılıklar
- Tamamen kısıtlanmamış çok değişkenli bir GARCH gerektirmeden zamanla değişen korelasyonları yakalar, bu da büyük sistemler için elverişsiz hale gelir.
- İki adımlı tahmin hesaplama açısından verimlidir ve seri sayısı arttıkça makul ölçüde iyi ölçeklenir.
- Her gözlemde yapı gereği pozitif tanımlı kovaryans matrisleri üretir.
- Finansal bulaşıcılığı, portföy çeşitlendirme faydalarını ve volatilite yayılmalarını modellemek için çok uygundur.
- DCC parametreleri a ve b açık ekonomik yorumlara sahiptir: korelasyonların tepki hızı ve kalıcılığı.
- Tüm ikili korelasyonları yöneten tek bir çift skaler DCC parametresi (a, b) varsayar, bu da farklı varlık çiftlerinin çok farklı dinamiklere sahip olduğu durumlarda çok kısıtlayıcı olabilir.
- İki adımlı tahmin, ortak maksimum olabilirlik tahminine kıyasla verimlilik kaybına neden olur.
- DCC parametreleri hakkındaki çıkarım, küçük örneklemlerde iyi geçerli olmayabilecek asimptotik sonuçlara dayanır.
- Gözlem sayısının seri sayısını önemli ölçüde aşmasını gerektirir; büyük portföyler (çok sayıda seri) Q_t özyinelemesini kararsız hale getirebilir.
SSS
DCC-GARCH ile CCC-GARCH arasındaki fark nedir?
Bollerslev'in (1990) Sabit Koşullu Korelasyon (CCC) modelinde, korelasyon matrisi R zamanla sabittir; yalnızca bireysel varyanslar gelişir. DCC-GARCH, R_t'nin Q_t özyinelemesine göre her dönem değişmesine izin vererek bunu gevşetir. Korelasyonların belirgin şekilde değiştiği — örneğin krizler sırasında arttığı — durumlarda DCC tercih edilirken, CCC daha basittir ve korelasyonların kararlı olduğu durumlarda yeterlidir.
DCC-GARCH ile tam olarak kısıtlanmamış çok değişkenli bir GARCH (BEKK) arasında nasıl seçim yaparım?
BEKK-GARCH, kovaryans matrisinin her öğesini ayrı ayrı modeller, bu da üç veya dört seriden fazlası için hızla aşırı parametrelenir. DCC-GARCH, daha büyük sistemlere ölçeklenen (a, b) iki skalerli ekonomik bir temsil kullanır. Beş veya daha fazla seriniz veya sınırlı veriniz olduğunda DCC'yi tercih edin; daha zengin dinamiklerin tahmin edilebildiği küçük sistemler için BEKK tercih edilebilir.
İlk adım GARCH'ta hangi dağılım varsayımını kullanmalıyım?
Standart varsayım normal (Gauss) dağılımdır, ancak finansal getiriler genellikle kalın kuyruklara sahiptir. İlk adım GARCH'ta bir Öğrenci-t veya çarpık-t dağılımı kullanmak genellikle daha iyi belirtilmiş standartlaştırılmış kalıntılar ve daha güvenilir DCC tahminleri üretir. Çoğu ekonometrik paket (Stata, R'nin rmgarch, Python'un arch kütüphanesi) bu alternatifleri destekler.
DCC-GARCH için kaç gözleme ihtiyacım var?
Pratik bir kural olarak, kararlı birinci adım GARCH tahminleri elde etmek için seri başına en az 200 gözlem önerilir. Çok sayıda serinin olduğu sistemler için, Q-bar matrisinin (standartlaştırılmış kalıntıların koşulsuz kovaryansı) güvenilir bir şekilde tahmin edilmesi gerektiğinden daha fazla veriye ihtiyaç vardır.
DCC-GARCH asimetrik korelasyon dinamiklerini işleyebilir mi?
Standart DCC modeli, pozitif ve negatif ortak şoklar arasında ayrım yapmaz. Cappiello, Engle ve Sheppard (2006) tarafından geliştirilen asimetrik DCC (ADCC), negatif ortak şoklar için terimler ekleyerek, korelasyonların inişlerde çıkışlardan daha keskin bir şekilde artma eğiliminde olduğu stilize gerçeğini yakalar.
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 ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Conditional Correlation Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/dcc-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
- Granger Nedensellik TestiEkonometri↔ karşılaştır
- TGARCH Modeli (Eşik GARCH)Ekonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır