Doğrusal Olmayan DCC-GARCH Modeli (Asimetrik Dinamik Koşullu Korelasyon)
Nonlinear Dynamic Conditional Correlation GARCH Model · Ayrıca şöyle bilinir: ADCC-GARCH, Asymmetric DCC-GARCH, NL-DCC-GARCH, Nonlinear Asymmetric DCC
Doğrusal Olmayan DCC-GARCH modeli, korelasyonların negatif ve pozitif getiri şoklarına asimetrik olarak yanıt vermesine izin vererek Engle'ın (2002) Dinamik Koşullu Korelasyon çerçevesini genişletir. Cappiello, Engle ve Sheppard (2006) tarafından önerilen bu model, kötü haberlerin iyi haberlerden daha fazla korelasyon artışı beklenirken, çok değişkenli finansal zaman serilerinde zamana bağlı ortak hareket ve bulaşıcılık etkilerini ölçmek için standart araçtır.
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 seriniz olduğunda ve ortak hareketin kötü habere asimetrik olarak yanıt verdiğine inandığınızda Doğrusal Olmayan DCC-GARCH'ı kullanın — stres dönemlerinde hisse senedi-hisse senedi veya hisse senedi-tahvil çiftlerinde yaygındır. Portföy riski ölçümü, Değer-Risk tahmini, korunma oranı hesaplaması ve bulaşıcılık analizi için uygundur. Seriler finansal getiri olmadığında veya GARCH tipi oynaklık kümelenmesi eksik olduğunda kullanmayın; tek bir seri için, tek değişkenli asimetrik bir GARCH (GJR veya EGARCH) daha basittir ve yeterlidir. Seri içi oynaklık yayılmaları (sadece korelasyonlar değil) birincil ilgi alanınızsa, BEKK-GARCH daha uygundur.
Güçlü yönler & sınırlılıklar
- Asimetrik korelasyon tepkilerini açıkça yakalar: negatif ortak şoklar, eşdeğer pozitif şoklardan daha fazla korelasyonu artırır, bu da ampirik stilize olgularla eşleşir.
- İki adımlı DCC tahmincisinin hesaplama uygunluğunu korur, bu da onu orta boyutlar (genellikle 10-30 seriye kadar) için uygulanabilir kılar.
- Her zaman adımında geçerli, pozitif tanımlı bir kovaryans matrisi sunar, bu da portföy optimizasyonu için esastır.
- Dinamik korunma, varlık tahsisi ve sistemik risk izleme için faydalı zamana bağlı korelasyon tahminleri sağlar.
- Finansal ekonometri literatüründe iyi temellendirilmiş, yaygın olarak atıfta bulunulan temel bir referansa (Cappiello vd., 2006) sahiptir.
- İki adımlı yarı-maksimum olabilirlik tahmincisi tutarlıdır ancak tam verimli değildir; ikinci aşama parametrelerinin standart hataları, düzeltilmedikçe birinci aşama belirsizliğini göz ardı eder.
- Model, seri içi oynaklık yayılmalarını yakalamaz — yalnızca korelasyon dinamiğini yakalar; yayılma analizi için BEKK-GARCH veya varyans ayrıştırma yaklaşımları gereklidir.
- Boyutsallık laneti: parametre uzayı genişlediği ve olabilirlik yüzeyi düzleştiği için, seri sayısı kabaca 20-30'un üzerine çıktıkça tahmin sayısal olarak kırılgan hale gelir.
- Asimetrik etkilerin yalnızca ortak negatif yenilikler aracılığıyla girdiğini varsayar, bu da korelasyonlardaki tüm doğrusal olmayanlık biçimlerini yakalamayabilir.
SSS
DCC-GARCH ve Doğrusal Olmayan DCC-GARCH arasındaki fark nedir?
Standart DCC (Engle, 2002), korelasyon dinamiğini simetrik olarak yönlendirmek için yalnızca iki skaler parametre (a ve b) kullanır. Doğrusal Olmayan DCC, yalnızca her iki seri de negatif yeniliklere sahip olduğunda etkinleşen üçüncü bir matris parametresi G ekler, bu da korelasyonların ortak kötü habere ortak iyi haberden daha güçlü tepki vermesini sağlar.
Asimetrik uzantının ne zaman gerekli olduğunu nasıl test edebilirim?
Verilerinize hem standart DCC'yi hem de Doğrusal Olmayan DCC'yi tahmin edin ve bunları bir olabilirlik oranı testiyle karşılaştırın veya Wald testlerini kullanarak G matris parametrelerinin ortak anlamlılığını test edin. G istatistiksel olarak anlamlı değilse, doğrusal olmayan modelin ek karmaşıklığına gerek yoktur.
Bu modeli ikiden fazla seriye uygulayabilir miyim?
Evet. Model doğası gereği çok değişkenlidir. Ancak, parametre matrisleri büyüdüğü ve olabilirlik yüzeyi düzleşebildiği için, kabaca 20-30 serinin ötesinde sayısal tahmin giderek zorlaşır. Çok yüksek boyutlu uygulamalar için, boyut azaltma teknikleri veya faktör tabanlı DCC varyantları daha pratiktir.
Doğrusal Olmayan DCC-GARCH'ı hangi yazılımlar tahmin edebilir?
R'deki rmgarch paketi (Ghalanos tarafından) ADCC modelinin tam bir uygulamasını sunar. Stata'nın mgarch paketi ve MATLAB'ın Ekonometri Araç Kutusu da DCC varyantlarını desteklemektedir. Python kullanıcıları bunu arch kütüphanesi aracılığıyla özel ikinci aşama optimizasyonla birleştirerek uygulayabilir.
Model pozitif tanımlı bir kovaryans matrisini garanti eder mi?
Evet, korelasyon hedefleme kısıtlamaları sağlandığında ve skaler veya matris parametreleri gerekli düzenlilik koşullarına uyduğunda (temelde A, B, G'nin Q_t'nin pozitif tanımlı kalmasını sağlayacak şekilde seçildiği). Uygulayıcılar, tahmin sırasında her zaman adımında bunu sayısal olarak doğrulamalıdır.
Kaynaklar
- Cappiello, L., Engle, R. F., & Sheppard, K. (2006). Asymmetric dynamics in the correlations of global equity and bond returns. Journal of Financial Econometrics, 4(4), 537–572. DOI: 10.1093/jjfinec/nbl005 ↗
- Engle, R. F. (2002). Dynamic conditional correlation: A simple class of multivariate generalized autoregressive conditional heteroskedasticity models. Journal of Business & Economic Statistics, 20(3), 339–350. DOI: 10.1198/073500102288618487 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Nonlinear Dynamic Conditional Correlation GARCH Model. ScholarGate. https://scholargate.app/tr/econometrics/nonlinear-dcc-garch-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
Yan yana karşılaştır →