Doğrusal Olmayan EGARCH Modeli
Nonlinear Exponential Generalized Autoregressive Conditional Heteroscedasticity Model · Ayrıca şöyle bilinir: NL-EGARCH, nonlinear exponential GARCH, asymmetric EGARCH, NEGARCH
Doğrusal Olmayan EGARCH modeli, koşullu değişen varyansın şoklara verdiği asimetrik ve doğrusal olmayan tepkileri yakalayarak, haber etkileşim fonksiyonunun esnek doğrusal olmayan bir biçim almasına izin veren Nelson'ın (1991) Üstel GARCH modelini genişletir. Finansal ekonometride kaldıraç etkilerini ve varlık getirilerindeki karmaşık değişen varyans dinamiklerini modellemek için yaygın olarak kullanılır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yüksek frekanslı veya günlük finansal getiri serilerinin değişen varyans kümelenmesi, güçlü kaldıraç etkileri sergilediği ve haber etkileşim eğrisinin standart GARCH veya doğrusal EGARCH tarafından iyi yakalanamadığına dair kanıtlar olduğunda (örneğin, Engle-Ng işaret yanlılığı testi doğrusal olmamayı işaret ettiğinde) Doğrusal Olmayan EGARCH modelini kullanın. Hisse senedi getirileri, döviz kurları ve emtia fiyatları gibi kuyruk riski ve asimetrik değişen varyansın önemli olduğu durumlar için uygundur. Seride önemli ARCH etkileri olmadığında (Engle'ın LM testi), örneklem küçük olduğunda (yaklaşık 500 gözlemden az) veya gösterişli bir modelin yorumlanabilirliği, esnek ancak yorumlanması daha zor doğrusal olmayan bir uyumdan daha ağır bastığında kullanmayın.
Güçlü yönler & sınırlılıklar
- Parametreler üzerinde işaret kısıtlamaları olmadan pozitif koşullu değişen varyansı garanti eden log-uzayda değişen varyansı modeller.
- Kaldıraç etkisini yakalar: negatif şoklar, aynı büyüklükteki pozitif şoklardan orantısal olarak daha fazla değişen varyansı artırabilir.
- Doğrusal olmayan haber etkileşim fonksiyonu, standart EGARCH'ın sabit asimetrik şeklinin ötesinde esnek, veriye dayalı değişen varyans tepkilerine izin verir.
- Ağır kuyruklu hata dağılımları (Student-t, GED) maksimum olabilirlik yoluyla kolayca dahil edilebilir.
- Değişen varyans şoklarının dürtü-tepki analizi, log-varyans parametrizasyonunda daha sezgiseldir.
- Doğrusal olmayan genişletmeler ek parametreler getirerek tahmin karmaşıklığını ve küçük örneklemlerde aşırı uyum riskini artırır.
- Maksimum olabilirlik tahmini başlangıç değerlerine duyarlı olabilir ve yerel optimumlara yakınsayabilir.
- Doğrusal olmayan haber etkileşim parametrelerinin yorumlanması, standart EGARCH veya GJR-GARCH'a göre daha az şeffaftır.
- Doğrusal olmayan değişen varyans dinamikleri basitçe toplanamadığı için kısa ufukların ötesinde tahmin yapmak zordur.
- Güvenilir tahmin için büyük örneklemler (tipik olarak 500+ günlük gözlem) gerektirir.
SSS
Doğrusal Olmayan EGARCH, standart EGARCH'tan nasıl farklıdır?
Standart EGARCH, sabit doğrusal-asimetrik bir haber etkileşim fonksiyonu g(z_t) = θz_t + γ(|z_t| − E|z_t|) kullanır. Doğrusal olmayan varyant, bunu esnek bir fonksiyonel biçimle — yumuşak geçiş veya polinom gibi — değiştirir veya tamamlar; bu, değişen varyansın şoklara tepkisinin farklı şok büyüklükleri veya piyasa rejimleri arasında değişmesine izin vererek, standart şeklin tanı testleri tarafından reddedildiği durumlarda daha iyi bir uyum sağlar.
Neden σ² yerine doğrudan log(σ²) modellenir, GARCH'da olduğu gibi?
Koşullu değişen varyansın logaritmasını modellemek, σ²_t'nin, tahmin edilen parametrelerin işaretinden bağımsız olarak her zaman pozitif olmasını sağlar. Standart GARCH'da, negatif olmama kısıtlamaları açıkça uygulanmalı, bu da tahmini karmaşıklaştırır. Logaritma parametrizasyonu ayrıca modeli değişen varyanstaki yüzde değişimler açısından daha kararlı ve yorumlanabilir hale getirir.
Doğrusal olmayan genişletmenin gerekli olup olmadığını nasıl test ederim?
Engle-Ng (1993) işaret yanlılığı testi, temel bir GARCH veya EGARCH modelinin karesi alınmış standartlaştırılmış artıklarını, geçmiş şokların işareti ve büyüklüğünden kaynaklanan bileşenlere ayırır. Anlamlı ortak test istatistikleri, doğrusal asimetrik şeklin yetersiz olduğunu ve doğrusal olmayan bir spesifikasyonun dikkate alınması gerektiğini gösterir.
Güvenilir tahmin için ne kadar örneklem büyüklüğü gereklidir?
Genel bir kural olarak, standart bir EGARCH için en az 500 günlük gözlem önerilir; ek parametrelere sahip doğrusal olmayan genişletmeler, aşırı uyumu önlemek ve maksimum olabilirlik tahmininde sayısal kararlılık elde etmek için 1.000 veya daha fazlasını gerektirebilir.
Doğrusal Olmayan EGARCH, çok değişkenli modellerle birleştirilebilir mi?
Evet. Tek değişkenli Doğrusal Olmayan EGARCH modelleri, DCC (Dinamik Koşullu Korelasyon) gibi çok değişkenli çerçeveler içinde marjinal değişen varyans spesifikasyonları olarak hizmet edebilir ve portföy riski ve korelasyon modellemesi için esnek değişen varyans girdileri sağlayabilir.
Kaynaklar
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. DOI: 10.2307/2938260 ↗
- Engle, R. F., & Ng, V. K. (1993). Measuring and testing the impact of news on volatility. Journal of Finance, 48(5), 1749–1778. DOI: 10.1111/j.1540-6261.1993.tb05127.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Nonlinear Exponential Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/nonlinear-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
- GARCH Modeli (Volatilite Tahmini)Ekonometri↔ karşılaştır
- TGARCH Modeli (Eşik GARCH)Ekonometri↔ karşılaştır