Sağlam GARCH Modeli
Robust Generalized Autoregressive Conditional Heteroscedasticity Model · Ayrıca şöyle bilinir: Robust GARCH, outlier-robust GARCH, heavy-tail GARCH, contamination-robust volatility model
Sağlam GARCH modeli, finansal getiri serilerinde yaygın olarak görülen aykırı değerleri ve kalın kuyruklu yenilikleri (innovations) ele almak üzere klasik GARCH çerçevesini genişletir. Aşırı gözlemleri sağlam bir yenilik terimi aracılığıyla ağırlıklandırarak (down-weighting), veri sıçramalar, krizler veya standart GARCH tahminlerini bozabilecek diğer anomaliler içerdiğinde daha güvenilir volatilite tahminleri üretir.
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 seriniz sıçramalar veya kalın kuyruklar içeren belirgin aykırı değerler içerdiğinde Sağlam GARCH kullanın — yüksek frekanslı verilerde, gelişmekte olan piyasa getirilerinde veya piyasa krizlerini kapsayan serilerde tipiktir. Birkaç aşırı gözlemin volatilite tahminlerini bozduğundan veya kalıcılık tahminlerini (α + β yapay olarak 1'e yakın) şişirdiğinden şüpheleniyorsanız standart GARCH'a tercih edilir. Veriler gerçekten Gauss ve aykırı değerlerden arınmışsa kullanmayın, çünkü ağırlıklandırma o zaman geçerli bilgileri atar ve gereksiz yere tahmin verimliliğini azaltır. Uzun süreli volatilite dinamikleri için bunun yerine FIGARCH veya HEAVY modellerini düşünün.
Güçlü yönler & sınırlılıklar
- Aykırı değerler veya kriz dönemi gözlemleri varlığında bile istikrarlı volatilite tahminleri ve öngörüleri üretir.
- İzole edilmiş büyük şoklardan kaynaklanan yapay volatilite kalıcılığı şişmesini (α + β'nın 1'e doğru yanlı olması) önler.
- Yorumlanabilir GARCH yapısını korur, bu nedenle standart GARCH'a aşina olan uygulayıcılar için minimum bir öğrenme eğrisi vardır.
- Ek kuyruk esnekliği için çeşitli yenilik dağılımları (Gauss, Student-t, skew-t) ile uyumludur.
- Gerçek yenilik dağılımının kalın kuyrukları olduğunda standart GARCH'tan daha iyi sonlu örneklem performansı gösterir.
- Bir ağırlık fonksiyonu ve ayarlama sabiti seçilmesini gerektirir; bu da standart GARCH'ta bulunmayan bir kalibrasyon adımı ekler.
- M-tahmincileri ve sağlam yarı-olabilirlik, özellikle büyük veri kümeleri için standart GARCH maksimum olabilirliğinden hesaplama açısından daha ağırdır.
- Ağırlık fonksiyonu büyük getirilerden gelen bazı bilgileri atar; eğer bu getiriler gerçek volatilite sıçramalarını yansıtıyorsa, model kuyruk riskini hafife alabilir.
- Asimptotik teori standart GARCH'tan daha karmaşıktır ve yazılım uygulamaları daha az yaygın olarak mevcuttur.
- Daha fazla genişletme (örneğin, Sağlam DCC-GARCH) olmadan çok değişkenli ortamlara doğrudan uygun değildir.
SSS
Sağlam GARCH, Student-t dağılımlı GARCH'tan nasıl farklıdır?
Student-t GARCH, yenilik dağılımındaki kalın kuyrukları barındırır ancak varyans özyinelemesini güncellerken her gözleme tam ağırlık atar. Sağlam GARCH, varyans denklemindeki aşırı gözlemleri açıkça ağırlıklandırır, bu nedenle dağılım varsayımı yanlış belirtilmiş olsa bile aykırı değerlere karşı daha doğrudan korunur.
Ağırlık fonksiyonu için ayarlama sabitini nasıl seçerim?
Ayarlama sabiti, kırılma noktasını (breakdown point) ve göreceli verimliliği yönetir. Yaygın uygulama, tahmincinin %95 Gauss verimliliğini koruyacak şekilde ayarlamaktır — Huber ağırlık fonksiyonu için bu, yaklaşık 1.345 standart sapma eşiğine karşılık gelir. Bir dizi değer üzerinden hassasiyet analizi önerilir.
Sağlam GARCH çok değişkenli ortamlara genişletilebilir mi?
Evet. Sağlam Dinamik Koşullu Korelasyon (Sağlam DCC-GARCH) çerçevesi, Boudt ve diğerleri (2013) tarafından DCC ortamı için biçimlendirildiği gibi, çok değişkenli varyans-kovaryans özyinelemesine benzer aykırı değer ağırlıklandırması uygular.
Sağlam GARCH her zaman standart GARCH'tan daha mı iyi performans gösterir?
Evrensel olarak değil. Aykırı değer içermeyen temiz verilerde, sağlam tahminci bilgiyi attığı için daha az verimlidir. Avantajı aykırı değerler bulunduğunda ortaya çıkar ve QLIKE veya MSE gibi kayıp fonksiyonlarını kullanarak gerçekleştirilmiş varyansa (realised variance) karşı örnek dışı volatilite tahminlerini karşılaştırarak en iyi şekilde doğrulanır.
Durağanlık koşulu standart GARCH'taki ile aynı mıdır?
Geniş anlamda durağanlık koşulu α + β < 1, sağlam varyans özyinelemesi için hala geçerlidir, ancak α, ağırlığı azaltılmış yenilikler kullanılarak tahmin edildiğinden, tahmin edilen kalıcılık, aynı aykırı değerle kirlenmiş veriler üzerinde uyumlanmış standart GARCH'tan daha düşük olma eğilimindedir.
Kaynaklar
- Boudt, K., Danielsson, J., & Laurent, S. (2013). Robust forecasting of dynamic conditional correlation GARCH models. International Journal of Forecasting, 29(2), 244–257. DOI: 10.1016/j.ijforecast.2012.06.003 ↗
- Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327. DOI: 10.1016/0304-4076(86)90063-1 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/robust-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
- GARCH Modeli (Volatilite Tahmini)Ekonometri↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır