Exponential Generalized Autoregressive Conditional Heteroscedasticity Model
Ayrıca şöyle bilinir: Exponential GARCH, EGARCH, Nelson EGARCH, log-GARCH
Standart GARCH'ta, aynı büyüklükteki büyük bir pozitif getiri ve büyük bir negatif getiri, bir sonraki dönemin volatilitesini eşit şekilde artırır. Finansal piyasalarda, kötü haberler (negatif getiriler) genellikle aynı büyüklükteki iyi haberlerden daha fazla volatiliteyi artırır; bu kaldıraç etkisidir. EGARCH, log-varyans denklemine işaretli bir şok terimi dahil ederek bunu yakalar: pozitif ve negatif sürprizler gerçekten farklı etkilere sahip olabilir. Log ölçeğinde çalışmak aynı zamanda parametrelere negatif olmama kısıtlamaları getirme ihtiyacını ortadan kaldırır, bu da tahmin ve yorumlamayı basitleştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+20 tane daha
Ne zaman kullanılır
Model, log(sigma_t^2)'yi modellediği için parametre işareti kısıtlamaları getirmeden pozitif koşullu varyansı doğal olarak sağlar.
Güçlü yönler & sınırlılıklar
- Standart GARCH'ta bulunmayan asimetri (gamma) parametresi aracılığıyla kaldıraç etkisini açıkça yakalar.
- Simetrik GARCH'tan daha esnektir ve genellikle finansal getiri verilerine daha iyi uyum sağlar.
- Logaritmik spesifikasyon, modeli standart GARCH'a göre aykırı değerlere ve büyük şoklara karşı daha dayanıklı hale getirir.
- Log-olabilirliğin sayısal optimizasyonu, standart GARCH'a göre daha karmaşıktır ve başlangıç değerlerine daha duyarlıdır.
- Asimetrik log-varyans denkleminin, standart GARCH'ın varyans seviyesi denklemine göre doğrudan yorumlanması daha zordur.
- Kararlı parametre tahminleri için makul derecede uzun zaman serileri (en az 200-300 gözlem) gerektirir.
- Çok adımlı ileriye yönelik volatilite tahmini, varyans seviyesi GARCH'a göre log ölçeğinde daha az basittir.
- GARCH aile varyantları (EGARCH, TGARCH, GJR-GARCH) arasında model seçimi, dikkatli bilgi kriteri karşılaştırması gerektirir.
- Gamma'nın istatistiksel olarak anlamlı olup olmadığını test etmeden EGARCH spesifikasyonunu kabul etmek — eğer asimetri yoksa, daha basit GARCH tahmin belirsizliğini azaltır.
SSS
Kaldıraç etkisi, negatif varlık getirisi şoklarının sonraki volatiliteleri eşit büyüklükteki pozitif şoklardan daha fazla artırdığı ampirik düzenliliktir. EGARCH log-varyans denkleminde gamma katsayısı, işaretli standartlaştırılmış şoku çarpar. Negatif ve anlamlı bir gamma, kötü haberlerin iyi haberlerden daha fazla log-varyansı artırdığı anlamına gelir ve asimetrik tepkiyi doğrudan ölçer.
Neden doğrudan sigma^2 yerine log(sigma^2) modellenir?
Log ölçeğinde çalışmak, koşullu varyansın exp(ln(sigma_t^2))'nin, tahmin edilen parametrelerin işaretinden bağımsız olarak her zaman pozitif olmasını garanti eder. Standart GARCH, negatif varyansı önlemek için alpha, beta >= 0 kısıtlamalarını uygulamak zorundadır; EGARCH böyle bir kısıtlama getirmez, bu da optimize ediciye daha fazla özgürlük tanır.
EGARCH için (p, q) sırasını nasıl seçerim?
Aday EGARCH(p, q) spesifikasyonlarını AIC veya BIC kullanarak karşılaştırın. Pratikte, EGARCH(1,1) çoğu günlük finansal getiri serisine yeterince iyi uyum sağlar. Kalan ARCH etkilerinin olmadığından emin olmak için artık otokorelasyonunu (kareleştirilmiş standartlaştırılmış artıklar üzerinde Ljung-Box) inceleyin.
TGARCH (GJR-GARCH) modelini EGARCH'a ne zaman tercih etmeliyim?
Her ikisi de asimetrik volatilitiyi modeller. TGARCH (Glosten-Jagannathan-Runkle), varyans seviyesi üzerinde çalışır ve yorumlanması ve tahmin edilmesi daha basittir. EGARCH, TGARCH tahmininde negatif olmama kısıtlamalarının bağlayıcı olduğu veya log-ölçekli bir modelin teorik olarak motive edildiği durumlarda tercih edilir. Belirli veri kümeniz üzerinde bilgi kriterleriyle her ikisini de karşılaştırın.
Yenilik z_t için hangi dağılımı varsaymalıyım?
Standart normal varsayımı başlangıç noktasıdır, ancak finansal getiriler tipik olarak daha ağır kuyruklara sahiptir. Student-t veya Genelleştirilmiş Hata Dağılımı (GED) genellikle uyumu iyileştirir ve daha güvenilir VaR tahminleri üretir. Seçilen dağılımı standartlaştırılmış artıklar üzerindeki QQ-plotları ve resmi uyum iyiliği istatistikleriyle test edin.
Getiri serinizi StatWise'a yükleyin, EGARCH'ı seçin, varsayılan başlangıç noktası olarak (1,1) sırasını seçin ve kaldıraç etkisi için tahmin edilen gamma'yı, standartlaştırılmış artık tanılamalarını ve zamana bağlı volatilite grafiğini inceleyin — hepsi tek bir çalıştırmada.
Kaynaklar
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. DOI: 10.2307/2938260 ↗
- Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327. DOI: 10.1016/0304-4076(86)90063-1 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Exponential Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/egarch-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
- ARIMA Modeli (Otokorelasyonlu Entegre Hareketli Ortalama)Ekonometri↔ karşılaştır
- DCC-GARCH Modeli (Dinamik Koşullu Korelasyon)Ekonometri↔ karşılaştır
- GARCH Modeli (Volatilite Tahmini)Ekonometri↔ karşılaştır
- TGARCH Modeli (Eşik GARCH)Ekonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır