DCC-MIDAS
Dynamic Conditional Correlation MIDAS · Ayrıca şöyle bilinir: DCC mixed-frequency model
DCC-MIDAS, dinamik koşullu korelasyon (DCC) GARCH ile karma frekanslı veri örneklemesini (MIDAS) birleştirerek, gözlemler farklı frekanslarda geldiğinde değişkenler arasındaki zamanla değişen korelasyonların tahmin edilmesini sağlar. Engle ve diğerleri (2013) tarafından tanıtılan bu yöntem, yüksek frekanslı varlık fiyatı bilgilerini kullanarak korelasyonların düşük frekanslı makroekonomik koşullarla nasıl geliştiğini modeller. Bu, portföy risk yönetimi ve makro-finansal bağlantıları anlamak için kritik öneme sahiptir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Portföyleri yönetirken ve makro koşullar çeşitlendirme faydalarını etkilediğinde, birden fazla varlığa bağlı opsiyonları değerlerken veya makro şokların korelasyon değişiklikleri yoluyla nasıl iletildiğini incelerken DCC-MIDAS kullanın. Varlık tahsisçileri, risk yöneticileri ve makro-finans araştırmacıları için değerlidir.
Güçlü yönler & sınırlılıklar
- Korelasyon tahmini için karma frekanslı bilgileri esnek bir şekilde birleştirir
- Yüksek frekanslı ayrıntıyı kaybetmeden varlık korelasyonlarının makro sürücülerini yakalar
- Çok değişkenli GARCH modellerine göre daha az parametreye sahiptir (parsimonious)
- Dengesiz verileri (farklı yayın programları) doğal olarak ele alır
- Makro tahmincilerin dikkatli bir şekilde belirlenmesini gerektirir; yanlış belirleme sonuçları yanlı hale getirir
- Tahmin hesaplama açısından yoğundur; yakınsama zorlayıcı olabilir
- Makro-korelasyon ilişkilerini yalnızca doğrusal olarak yakalamakla sınırlıdır
- Makro gecikme seçimi ad hoc'tur; sonuçlar belirlemeye duyarlıdır
SSS
Hangi makro değişkenleri dahil etmeliyim?
Teoriye dayalı seçim: hisse senedi-tahvil korelasyonları için enflasyon, hisse senedi-kredi bağlantıları için kredi spreadleri, geniş çeşitlendirme için büyüme beklentileri. Bireysel ve ortak anlamlılığı test edin; veri madenciliğinden kaçının.
Makro veri yayın gecikmelerini nasıl ele alırım?
Referans tarihine göre değil, yayın tarihine göre hizalayın. Aylık işsizlik 7'sinde yayınlanıyorsa, korelasyonlarda o tarihten itibaren kullanın. İleriye bakma yanlılığından kaçının.
Gerçek zamanlı makro veri kullanabilir miyim?
Evet, ancak revizyonlara dikkat edin. Başlangıçta yayınlanan gerçek zamanlı veriler nihai verilerden farklıdır; revizyonları açıkça modelleyin veya gerçekçi bir gecikmeyle nihai-revize edilmiş verileri kullanın.
DCC-MIDAS ile korelasyonları nasıl tahmin ederim?
Makro değişkenleri tahmin edin (VAR veya diğer modelleri kullanarak), MIDAS korelasyon denklemine yerleştirin. Korelasyonlar için tahmin ufku, makro tahmin ufkuna bağlıdır.
Kaynaklar
- Engle, R. F., Ghysels, E., & Sohn, B. (2013). Stock market volatility and macroeconomic fundamentals. Review of Economics and Statistics, 95(3), 776-797. DOI: 10.1162/rest_a_00300 ↗
- Colacito, R., Engle, R. F., & Ghysels, E. (2011). A component model for dynamic correlations. Journal of Econometrics, 164(1), 45-59. DOI: 10.1016/j.jeconom.2011.02.013 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Conditional Correlation MIDAS. ScholarGate. https://scholargate.app/tr/econometrics/dcc-midas
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bileşen GARCHEkonometri↔ karşılaştır
- GARCH-MIDASEkonometri↔ karşılaştır
- Kuantil VAREkonometri↔ karşılaştır