Fourier GARCH Modeli
Fourier-Flexible Generalized Autoregressive Conditional Heteroscedasticity Model · Ayrıca şöyle bilinir: Fourier GARCH, Fourier-flexible GARCH, GARCH with Fourier terms, smooth-break GARCH
Fourier GARCH modeli, koşullu varyans sürecindeki yumuşak, kademeli değişimleri, kesin yapısal kırılma tarihlerini bilmeye gerek kalmadan yakalamak için standart bir GARCH çerçevesine trigonometrik Fourier terimleri yerleştirir. Bilinmeyen kırılma örüntülerini sinüzoidal fonksiyonlarla yaklaştırarak, hem volatilite kümelenmesini hem de zamanla değişen koşulsuz varyansı ortaklaşa modeller.
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 veya makroekonomik bir zaman serisi açık volatilite kümelenmesi gösterdiğinde ve koşulsuz varyansın örneklem boyunca kademeli olarak kaydığına inanmak için bir neden olduğunda — örneğin, kriz dönemlerini, parasal rejim değişikliklerini veya yapısal reformları kapsayan — bilinen kesin bir kırılma tarihi olmadan Fourier GARCH modelini kullanın. Özellikle standart GARCH tanı testleri durağan olmama veya parametre kararsızlığı işaret ettiğinde ve Fourier birim kök ön testleri (örn. Enders-Lee) yumuşak kırılmaları gösterdiğinde uygundur. Kırılmaların açıkça ani olduğu durumlarda (eşik veya Markov anahtarlamalı GARCH daha uygundur), örneklem çok kısa olduğunda (yaklaşık 200 gözlemden az, çünkü Fourier terimleri serbestlik derecelerini tüketir) veya varyanstaki yavaş yapısal değişim beklentisi için teorik bir neden olmadığında kullanmayın.
Güçlü yönler & sınırlılıklar
- Kırılma tarihlerini önceden belirtmeden koşulsuz varyanstaki yumuşak, kademeli değişimleri yakalar.
- Sabit olmayan bir kesişimin sabit olarak yanlış belirtilmesinden kaynaklanan sahte GARCH kalıcılığını azaltır.
- Esnek: tek bir düşük frekanslı Fourier terimi, çok çeşitli yumuşak geçiş örüntülerini yaklaştırabilir.
- Standart QML tahmini ile uyumludur, tanıdık GARCH yorumunu ve tanı araçlarını korur.
- İç içe test edilebilir: Fourier katsayıları topluca sıfır olduğunda standart GARCH'a indirgenir.
- Fourier parametreleri için ek serbestlik dereceleri tüketir, kısa örneklemlerde verimliliği azaltır.
- Frekans k'nın seçimi veri odaklıdır ve kullanılan bilgi kriterine duyarlı olabilir.
- Eşik veya Markov anahtarlamalı GARCH kadar ani veya ayrık rejim anahtarlarını hassas bir şekilde yakalayamaz.
- Zamanla değişen kesişimin yorumlanması, sabit kırılma modeline göre daha az doğrudandır.
- Sınırlı hazır yazılım desteği; genellikle R veya Python'da özel kodlama gerektirir.
SSS
Fourier GARCH, standart GARCH'tan nasıl farklıdır?
Standart GARCH(1,1), kesişim omeganın sabit olduğunu varsayarak örneklem boyunca sabit bir koşulsuz varyans ima eder. Fourier GARCH, bu sabiti sinüs ve kosinüs terimlerinden oluşan yumuşak, zamanla değişen bir fonksiyonla değiştirerek uzun vadeli volatilite seviyesinin kademeli olarak gelişmesine izin verir. ARCH ve GARCH eğim katsayıları normal yorumlarını korur.
Fourier frekansı k'yı nasıl seçerim?
Modeli k = 1, 2 ve 3 (bazen 5'e kadar) için tahmin edin ve BIC veya AIC'yi en aza indiren k'yı seçin. Çoğu ampirik uygulama k = 1 veya 2'nin yeterli olduğunu bulur. Fourier katsayılarının toplu anlamlılık testi de yapılmalıdır; anlamlı değillerse, standart GARCH'a geri dönün.
Fourier GARCH büyük bir örneklem gerektirir mi?
Evet. Her Fourier frekansı k, iki parametre (sinüs ve kosinüs katsayıları) ekler. k = 1 ile bu yönetilebilir, ancak kısa seriler (yaklaşık 200 gözlemden az) düşük hassasiyetten muzdarip olabilir. Birkaç yıllık günlük finansal veriler tipik olarak yeterli bir örnektir.
Fourier terimlerini EGARCH veya TGARCH gibi asimetrik GARCH varyantlarıyla birleştirebilir miyim?
Evet. Fourier kesişim uzantısı, prensipte, hem asimetrik kaldıraç etkilerini hem de koşulsuz varyanstaki yumuşak yapısal değişimi aynı anda yakalamak için EGARCH veya TGARCH'a uygulanabilir, ancak bu parametre sayısını ve tahmin karmaşıklığını daha da artırır.
Fourier GARCH'ı tahmin etmek için hangi yazılımı kullanabilirim?
Özel bir anahtar teslimi paket yoktur; araştırmacılar genellikle bunu R'da (özel ortalama/varyans özellikleri ile rugarch veya fGarch paketlerini kullanarak) veya Python'da (özel varyans hedefleme ile arch kütüphanesi) uygularlar. Bazı Stata rutinleri de belirli Fourier GARCH varyantları için geliştirilmiştir.
Kaynaklar
- Ludlow, J., & Enders, W. (2000). Estimating non-linear ARMA models using Fourier coefficients. International Journal of Forecasting, 16(3), 333–347. DOI: 10.1016/S0169-2070(00)00048-0 ↗
- Enders, W., & Lee, J. (2012). A unit root test using a Fourier series to approximate smooth breaks. Oxford Bulletin of Economics and Statistics, 74(4), 574–599. DOI: 10.1111/j.1468-0084.2011.00662.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Fourier-Flexible Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/fourier-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
- DCC-GARCH Modeli (Dinamik Koşullu Korelasyon)Ekonometri↔ karşılaştır
- Fourier ARDL Sınır TestiEkonometri↔ karşılaştır
- TGARCH Modeli (Eşik GARCH)Ekonometri↔ karşılaştır