Sağlam ARCH Modeli
Robust Autoregressive Conditional Heteroscedasticity Model · Ayrıca şöyle bilinir: robust ARCH, outlier-robust ARCH, heavy-tailed ARCH, robust conditional volatility model
Sağlam ARCH modeli, standart en çok olabilirlik kestiricisini, aykırı değerlerin etkisini azaltan veya ortadan kaldıran sağlam alternatiflerle değiştirerek klasik Otoregresif Koşullu Heteroskedastisite çerçevesini genişletir. Bu, finansal ve makroekonomik zaman serilerini sıklıkla kirleten aşırı gözlemlere karşı oynaklık kestirimlerini dirençli hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Zaman seriniz, standart ARCH veya GARCH kestiricilerinin varyans yoluna absorbe edip birçok sonraki dönem için bozacağı aykırı değerler, ağır kuyruklar veya düzensiz sivrilmeler içerdiğinde Sağlam ARCH modelini kullanın. Özellikle veri kalitesinin kusurlu olduğu veya ani olayların yaşandığı günlük veya gün içi finansal getiriler, döviz kurları veya emtia fiyatları için uygundur. Seri temiz ve iyi huylu olduğunda, sağlam kestiricinin normal dağılım altında maksimum olabilirlik ile karşılaştırıldığında bazı verimlilikleri feda etmesi nedeniyle kaçının. Ayrıca, standart GARCH kullanan geniş bir mevcut literatürle karşılaştırma birincil amaç olduğunda daha az haklıdır, çünkü sağlam kestirimler doğrudan karşılaştırılabilir olmayabilir.
Güçlü yönler & sınırlılıklar
- Standart ARCH varyans kestirimlerini bozacak tekil aykırı değerlere ve ağır kuyruklu yeniliklere karşı dirençlidir.
- Tek bir anormal günü değil, gerçek piyasa oynaklığını yansıtan kararlı koşullu oynaklık yolları üretir.
- ARCH yorumlama çerçevesini korur — katsayılar ve kalıcılık yapısı anlamlı kalır.
- Sandviç standart hataları, varsayılan yenilik dağılımından sapmalar altında geçerli kalır.
- Klasik ARCH ile aynı türden yüksek frekanslı finansal ve makroekonomik zaman serilerine uygulanabilir.
- Verilerin gerçekten normal dağılımlı ve aykırı değer içermediği durumlarda maksimum olabilirlik ARCH'den daha az verimlidir.
- Ayar sabiti c'nin seçimi, bir yanlılık-varyans ödünleşmesi içerir; evrensel olarak optimal bir değer yoktur.
- İteratif sağlam kestirim, kapalı form veya tek adımlı ARCH uydurmaya göre hesaplama açısından daha yoğundur.
- Yazılım desteği klasik GARCH'den daha dardır; uygulama genellikle özel R paketleri veya özel kod gerektirir.
- Çıkarım sonuçları, standart MLE kullanan daha geniş bir GARCH/ARCH literatürüyle doğrudan karşılaştırılabilir olmayabilir.
SSS
Sağlam ARCH, t-dağılımlı hatalara sahip bir GARCH modelini kullanmaktan nasıl farklıdır?
T-dağılımlı hatalara sahip bir GARCH, ağır kuyruklu yenilikleri küresel olarak barındırır ancak yine de skordaki her büyük gözleme etkili ağırlık verir. Sağlam ARCH, sınırlı bir skor fonksiyonu aracılığıyla tek bir aykırı değerin katkısını aktif olarak sınırlar, marjinal dağılımın ne olursa olsun tekil sivrilmelere karşı daha güçlü koruma sağlar.
Ayar sabiti nedir ve onu nasıl seçerim?
Ayar sabiti c, gözlemlerin ne kadar keskin bir şekilde ağırlığının azaltıldığını belirler. M-kestiriminde yaygın bir varsayılan değer, c = 1.345'tir (normalite altında %95 verimliliği hedefleyen bir Huber kestiricisi için). Sık aykırı değerlere sahip finansal getiriler için, daha düşük bir c verimlilik maliyetiyle daha fazla sağlamlık sunar. Bir dizi c değeri üzerinden duyarlılık analizi önerilir.
Sağlam model kullanarak ARCH etkileri için test yapabilir miyim?
Evet. Sağlam ortalama denklemi uydurulduktan sonra, kareleştirilmiş sağlam artıklar üzerindeki sağlam bir Lagrange çarpanı testi, koşullu heteroskedastisitenin mevcut olup olmadığını değerlendirir. Test, Engle'ın orijinal ARCH-LM testine benzer ancak aykırı değerlerin neden olduğu boyut bozulmalarından kaçınmak için sağlam skor katkılarını kullanır.
Sağlam ARCH standart istatistiksel yazılımlarda mevcut mu?
R'nin rugarch veya Python'un arch gibi standart paketleri yerel olarak sağlam ARCH'yi uygulamaz, ancak R'deki robustarima veya robGARCH paketleri ve özel M-kestirimi sarmalayıcıları işlevsellik sağlar. Alternatif olarak, iteratif olarak yeniden ağırlıklandırılmış ARCH, temel optimizasyon rutinleri kullanılarak doğrudan programlanabilir.
Neden standart ARCH'yi uydurmak ve aykırı değerleri kaldırmak yerine Sağlam ARCH'yi tercih edersiniz?
Aykırı değerlerin kaldırılması özneldir ve özellikle aşırı bir gözlemin gerçek piyasa davranışını mı yoksa bir veri hatasını mı yansıttığı belirsiz olduğunda kendi yanlılıklarını ortaya çıkarabilir. Sağlam ARCH, tüm gözlemlerin örneklemde kalmasına izin verirken aşırı değerlerin etkisini otomatik olarak sınırlar, bu da sonuçları tekrarlanabilir ve rastgele silme kararlarına daha az bağımlı hale getirir.
Kaynaklar
- Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987–1007. DOI: 10.2307/1912773 ↗
- Iqbal, F. (2013). Robust estimation for the ARCH models. Revista Colombiana de Estadística, 36(1), 41–56. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/robust-arch-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
- Kuantil RegresyonuEkonometri↔ karşılaştır
- Sağlam Regresyonİstatistik↔ karşılaştır