Fourier DCC-GARCH Modeli
Fourier Dynamic Conditional Correlation GARCH Model · Ayrıca şöyle bilinir: Fourier DCC-GARCH, Fourier-augmented DCC-GARCH, DCC-GARCH with Fourier terms, smooth structural break DCC-GARCH
Fourier DCC-GARCH modeli, Engle'ın Dinamik Koşullu Korelasyon GARCH çerçevesini, koşullu ortalama veya varyans denklemlerine Fourier trigonometrik terimler ekleyerek genişletir. Bu, modelin, kırılma noktalarının sayısını veya zamanlamasını bilmeye gerek kalmadan volatilite dinamiklerindeki ve varlıklar arası korelasyonlardaki yumuşak, kademeli yapısal değişimleri yaklaştırmasına olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İki veya daha fazla finansal getiri serisi arasındaki dinamik birlikte hareketleri modellerken ve piyasa entegrasyonu, düzenleyici değişiklikler veya uzun süreli ekonomik krizler gibi yapısal değişiklikler nedeniyle korelasyon yapısının zamanla kademeli olarak değiştiğinden şüpheleniyorsanız Fourier DCC-GARCH'ı kullanın. Özellikle kırılma noktalarının sayısını veya tam zamanlamasını bilmediğiniz ve agnostik, veri güdümlü bir yaklaşım istediğiniz durumlarda değerlidir. Örneklem çok kısaysa (seri başına 250 gözlemden az), kırılmalar kademeli yerine ani ise (bunun yerine eşik veya Markov anahtarlamalı DCC-GARCH kullanın) veya daha basit bir sabit korelasyonlu GARCH veriyi yeterince iyi uyuyorsa kullanmayın.
Güçlü yönler & sınırlılıklar
- Önceden belirlenmiş kırılma tarihleri veya sayıları gerektirmeden korelasyonlardaki yumuşak, kademeli yapısal kırılmaları barındırır.
- DCC-GARCH'ın tutumluluğunu ve çözülebilirliğini korurken, az sayıda Fourier parametresi aracılığıyla esneklik katar.
- İki adımda yarı-maksimum olabilirlik ile tahmin edilir, bu da orta boyutlu sistemler için bile hesaplama maliyetini yönetilebilir tutar.
- Dinamik portföy oluşturma ve risk yönetimi için faydalı zamanla değişen korelasyon tahminleri sağlar.
- Kırılma zamanlamasının yanlış belirtilmesine karşı dayanıklıdır çünkü Fourier terimleri geniş bir yumuşak geçiş fonksiyonları sınıfını yaklaştırır.
- Güvenilir tahmin için oldukça uzun zaman serileri (ideal olarak 500+ gözlem) gerektirir.
- İki adımlı tahmin (önce tek değişkenli GARCH, sonra DCC), tam maksimum olabilirlik ile karşılaştırıldığında verimlilik kaybına neden olur.
- Fourier frekansının k seçimi bir model seçimi adımı ekler; yanlış seçim gerçek kırılmaları aşırı veya eksik yumuşatabilir.
- DCC parametreleri için a + b < 1 durağanlık kısıtlamasını göz ardı etmek, patlayıcı korelasyon tahminlerine yol açabilir.
- Birinci adım tahmin belirsizliği için düzeltme yapmadan iki adımlı QMLE standart hatalarını kesin olarak kabul etmek.
SSS
Bu modeli hangi yazılımlar tahmin edebilir?
Fourier DCC-GARCH en yaygın olarak R'da (GARCH-DCC çerçevesi için rugarch ve rmgarch paketlerini kullanarak, manuel Fourier regresörleri ile) veya EViews ve MATLAB'da özel kodlarla tahmin edilir. Tek bir hazır paket, birleşik modeli doğrudan uygulamaz.
Ne zaman Markov anahtarlamalı DCC-GARCH'ı tercih etmeliyim?
Korelasyon rejimlerinin ani bir şekilde değiştiği ve geçiş olasılıklarının esaslı bir ilgi alanı olduğu durumlarda Markov anahtarlamalı DCC-GARCH'ı kullanın. Rejim değişikliğinin kademeli olduğu ve ayrık anahtarlama olasılıklarını tahmin etmekten veya sabit bir durum sayısına bağlı kalmaktan kaçınmak istediğinizde Fourier DCC-GARCH'ı kullanın.
Fourier terimleri eklemek DCC durağanlık koşulunu etkiler mi?
DCC özyinelemesi için a + b < 1 durağanlık koşulu değişmeden kalır. Fourier terimleri, ortalama veya varyans denkleminin deterministik bileşenini değiştirir ancak GARCH veya DCC dinamiklerini değiştirmez, bu nedenle aynı yakınsama gereksinimleri geçerlidir.
Çoklu getiri serilerinizi StatWise'a yükleyin, Fourier DCC-GARCH'ı seçin, varlık ve Fourier frekanslarının sayısını belirtin; platform iki adımlı QMLE'yi tahmin edecek, zamanla değişen korelasyon çizelgelerini görüntüleyecek ve aşağı akış portföy analizi için koşullu kovaryans matrislerini dışa aktaracaktır.
Use Markov-switching DCC-GARCH when correlation regimes switch abruptly and the transition probabilities are of substantive interest. Use Fourier DCC-GARCH when regime change is gradual and you prefer not to estimate discrete switching probabilities or commit to a fixed number of states.
Does adding Fourier terms affect the DCC stationarity condition?
The stationarity condition a + b < 1 for the DCC recursion remains unchanged. Fourier terms modify the deterministic component of the mean or variance equation but do not alter the GARCH or DCC dynamics, so the same convergence requirements apply.
Kaynaklar
- Engle, R. (2002). Dynamic conditional correlations: A simple class of multivariate generalized autoregressive conditional heteroskedasticity models. Journal of Business and Economic Statistics, 20(3), 339-350. link ↗
- Nazlioglu, S., Gormus, N. A., & Soytas, U. (2016). Oil prices and real estate investment trusts (REITs): Gradual-shift causality and volatility transmission analysis. Energy Economics, 60, 168-175. DOI: 10.1016/j.eneco.2016.09.009 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Fourier Dynamic Conditional Correlation GARCH Model. ScholarGate. https://scholargate.app/tr/econometrics/fourier-dcc-garch
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- DCC-GARCH Modeli (Dinamik Koşullu Korelasyon)Ekonometri↔ karşılaştır
- Fourier GARCH ModeliEkonometri↔ karşılaştır
- GARCH Modeli (Volatilite Tahmini)Ekonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır