Sağlam EGARCH Modeli
Robust Exponential Generalized Autoregressive Conditional Heteroscedasticity Model · Ayrıca şöyle bilinir: Robust EGARCH model, outlier-robust EGARCH, robust exponential GARCH, REGARCH
Sağlam EGARCH, Nelson'ın (1991) Üstel EGARCH modelini, standart yarı-maksimum olabilirlik kestiriminin yerine aykırı değerlere dayanıklı prosedürler — tipik olarak sınırlı etki veya M-kestirimi — kullanarak genişletir, böylece aşırı gözlemlerin veya veri hatalarının küçük bir kesri, kestirilen volatilite dinamiklerini veya kaldıraç etkisini bozamaz.
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 getiri volatilitesini, analiz odağı olmayan aykırı değerler, veri hataları veya yapısal sıçramalar içeren serilerde modelleme yaparken Sağlam EGARCH kullanın — örneğin, kriz olayları etrafındaki günlük hisse senedi getirileri, kayıt hatalarıyla emtia fiyatları veya borsa aksaklıklarıyla kripto para getirileri. Özellikle kaldıraç etkisinin ekonomik olarak önemli olduğu ve standart EGARCH kestirimlerinin alt örnekler arasında kararsız göründüğü durumlarda uygundur. Her büyük şokun gerçekten bilgilendirici olduğu durumlarda (örneğin, planlanmış makro duyurular) Sağlam EGARCH kullanmayın, çünkü gerçek kuyruk olaylarını ağırlıklandırmak gerçek kuyruk riskini hafife alacaktır. Ayrıca, asimetriyi ve sağlam ayar sabitini güvenilir bir şekilde tanımlamak için yeterli olmayan çok küçük örneklemlerde (yaklaşık 300 gözlemden az) bundan kaçının.
Güçlü yönler & sınırlılıklar
- Parametreler üzerinde eşitsizlik kısıtlamaları olmadan pozitif koşullu varyansı garanti eden EGARCH'ın log-varyans spesifikasyonundan miras alır.
- Kaldıraç asimetrisini (negatif getirilerin volatilitenin eşit büyüklükteki pozitif getirilerden daha fazla artırması) sağlam bir şekilde yakalar.
- Tekil aykırı değerlerin veya veri hatalarının kalıcılık zinciri aracılığıyla sonraki tüm volatilite tahminleri üzerindeki etkisini sınırlar.
- Gerçek volatilite kümelerinin tespit edilmesine izin verirken, tek bir kötü veri noktasının kalıcılık tahminlerini şişirmesini önler.
- Kestirilen parametreler, ağır kirlilik altında standart QMLE'nin aksine, hafif kirlilik altında tutarlıdır ve asimptotik olarak normaldir.
- Etki fonksiyonu için bir ayar sabiti seçilmesini gerektirir; yanlış seçim ya aykırı değerleri ele almaz ya da meşru kuyruk olaylarını aşırı derecede azaltır.
- İteratif sağlam kestirim, standart QMLE'den hesaplama açısından daha ağırdır ve yüksek dereceli EGARCH spesifikasyonlarında yakınsama zorluklarıyla karşılaşabilir.
- EGARCH'ta sağlam güven aralıkları ve hipotez testleri için teori, GARCH'a göre daha az gelişmiştir, bu da resmi çıkarımı zorlaştırır.
- Aykırı değerlerin yapısal kırılmalar olduğu durumlarda uygun değildir — bu durumda bir Markov-anahtarlamalı veya yapısal-kırılmalı GARCH daha uygundur.
- Kısa örneklemler (yaklaşık 300 gözlemden az), kaldıraç, kalıcılık ve sağlam ayar sabitinin güvenilir bir şekilde ortak tanımlanmasını desteklemeyebilir.
SSS
Sağlam EGARCH, standart EGARCH'tan nasıl farklıdır?
Standart EGARCH, Gauss veya Student-t yarı-log-olabilirliğini maksimize eder ve her gözleme eşit etki verir. Sağlam EGARCH, bunu sınırlı etki hedefiyle değiştirir veya tamamlar, böylece aşırı standartlaştırılmış artık değerler ağırlıklandırılır ve aykırı değerlerin kestirilen kaldıraç katsayısını ve kalıcılık parametrelerini bozması önlenir.
Etki fonksiyonu için ayar sabitini nasıl seçerim?
Ayar sabiti, sağlamlık ve verimlilik arasındaki dengeyi kontrol eder. Yaygın bir yaklaşım, kestiricinin varsayılan temiz veri dağılımı (örneğin, normal veya Student-t) altında %95 asimptotik verimlilik elde edecek şekilde ayarlanmasıdır. Serinizin beklenen kirlilik oranına göre kalibre edilmiş simülasyon çalışmaları, daha prensipli bir seçim sağlar.
Sağlam EGARCH ile standart EGARCH'ı karşılaştırmak için bilgi kriterlerini (AIC/BIC) kullanabilir miyim?
Log-olabilirlik tabanlı standart AIC/BIC formülleri, hedefler farklı olduğu için sağlam ve sağlam olmayan kestiriciler arasında doğrudan karşılaştırılamaz. Bunun yerine simülasyon tabanlı model karşılaştırması veya tahmin doğruluğu ölçütleri (örneğin, örnek dışı volatilite tahminlerinin RMSE'si) kullanın.
Ne zaman Sağlam TGARCH'ı Sağlam EGARCH'a tercih etmeliyim?
Varyans (log-varyans yerine) uzayında bir model tercih ettiğinizde ve negatif olmama kısıtlamaları uygulamaktan rahat olduğunuzda Sağlam TGARCH'ı (GJR-GARCH) seçin. Kaldıraç etkisini log-varyansta modellemek istediğinizde, parametre kısıtlamalarından kaçınarak, özellikle çok kalıcı volatiliteye sahip seriler için Sağlam EGARCH'ı seçin.
Sağlam kestirim, aykırı değer ön işleme ihtiyacını ortadan kaldırır mı?
Tamamen değil. Sağlam EGARCH, tekil aykırı değerlere duyarlılığı azaltır ancak büyük aykırı değer kümeleri veya rejim değişiklikleri için tasarlanmamıştır. Seride bilinen bir kirlilik dönemi varsa, aykırı değer tespitiyle ön tarama yapmak veya sağlam kestiriciyle birlikte bir Markov-anahtarlamalı model kullanmak daha uygun olabilir.
Kaynaklar
- Muler, N., & Yohai, V. J. (2008). Robust estimates for GARCH models. Journal of Statistical Planning and Inference, 138(10), 2918–2940. DOI: 10.1016/j.jspi.2007.11.003 ↗
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. DOI: 10.2307/2938260 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Exponential Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/robust-egarch
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
- GARCH Modeli (Volatilite Tahmini)Ekonometri↔ karşılaştır
- Sağlam GARCH ModeliEkonometri↔ karşılaştır
- Robust TGARCHEkonometri↔ karşılaştır
- TGARCH Modeli (Eşik GARCH)Ekonometri↔ karşılaştır