Robust TGARCH — Sağlamlaştırılmış Eşikli GARCH
Robust Threshold Generalized Autoregressive Conditional Heteroscedasticity Model · Ayrıca şöyle bilinir: robust GJR-GARCH, robust threshold GARCH, heavy-tail TGARCH, outlier-robust TGARCH
Robust TGARCH, Threshold GARCH modelini, geleneksel maksimum olabilirlik hedefini, kalın kuyruklu yeniliklere ve aykırı gözlemlere karşı dirençli bir tahminci ile değiştirerek genişletir. Negatif şokların varyansı pozitif şoklardan daha fazla artırdığı asimetrik volatilite tepkilerini yakalar ve getiri dağılımı normallikten güçlü bir şekilde saptığında bile güvenilirliğini korur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Hem pozitif hem de negatif şoklara asimetrik tepkiler ve sık aşırı gözlemler veya kalın kuyruklar gösteren serilerde finansal getiri volatilitesini modellerken Robust TGARCH kullanın — örneğin, bireysel hisse senedi getirileri, kripto para birimi fiyatları veya gelişmekte olan piyasa döviz kurları. Ayrıca, standart bir TGARCH üzerindeki tanısal kontroller, standartlaştırılmış artıkların çok yüksek aşırı basıklığa sahip olduğunu veya model tahminlerinin ara sıra meydana gelen çöküş olayları nedeniyle alt örneklemlerde kararsız olduğunu gösterdiğinde de uygundur. Getiriler neredeyse Gauss dağılımlı ve aykırı değer içermiyorsa kullanmayın; bu durumda standart TGARCH veya EGARCH yeterlidir. Ayrıca, sağlam tahminin kötü yakınsayabileceği çok kısa seriler (yaklaşık 200'den az gözlem) için bu yaklaşımdan kaçının.
Güçlü yönler & sınırlılıklar
- Kaldıraç etkisini yakalar: negatif şoklar, eşit büyüklükteki pozitif şoklardan daha fazla koşullu varyansı artırır.
- Standart TGARCH tahminlerini bozacak aşırı gözlemlere ve kalın kuyruklu yeniliklere karşı dirençlidir.
- Dağılımsal yanlış spesifikasyon altında bile sandviç standart hatalar aracılığıyla geçerli çıkarım sağlar.
- Koşullu volatilite tahminleri, tek kriz olaylarının parametre tahminlerini şişirmesine veya azaltmasına daha az duyarlıdır.
- Risk yönetimi bağlamlarında riske maruz değer ve beklenen açık hesaplamalarıyla uyumludur.
- İteratif sağlam ağırlıklandırma veya kalın kuyruk olabilirlik değerlendirmesi nedeniyle standart TGARCH'tan daha fazla hesaplama yoğundur.
- Sağlam kayıp fonksiyonunun seçimi (t-QMLE vs. M-tahmincisi vs. Laplace) tam olarak standartlaştırılmamıştır ve sonuçları etkileyebilir.
- Asimetrik parametreyi ve sağlam ağırlıkları birlikte güvenilir bir şekilde tahmin etmek için makul ölçüde uzun bir seri (200+ gözlem) gerektirir.
- Sağlamlık özelliklerinin yorumlanması, seçilen belirli tahminciye bağlıdır ve çalışmalar arası karşılaştırmayı zorlaştırır.
SSS
Robust TGARCH'ı standart TGARCH'tan ayıran nedir?
Standart TGARCH tipik olarak Gauss yarı-maksimum olabilirlik ile tahmin edilir, bu normallik altında etkilidir ancak aykırı değerlere duyarlıdır. Robust TGARCH, bunu, aşırı gözlemleri ağırlıklarını azaltan, büyük şokların parametre tahminlerine hakim olmasına izin vermeden asimetrik volatilite yapısını koruyan bir tahminci — Student-t QMLE veya bir M-tahmincisi gibi — ile değiştirir veya tamamlar.
Robust TGARCH'ta eşik etkisi nasıl test edilir?
Asimetri parametresi γ, sandviç (Huber-White) kovaryans matrisine dayalı bir t-istatistiği ile test edilir. Anlamlı derecede pozitif bir γ, negatif şokların volatiliteyi pozitif şoklardan daha fazla artırdığını doğrular. Test, sandviç tahmincisi kullanıldığı için dağılımsal yanlış spesifikasyona karşı sağlamdır.
Robust TGARCH, sağlam bir tahminciye sahip GJR-GARCH ile aynı mıdır?
Esasen evet. Glosten, Jagannathan ve Runkle'ın (1993) GJR-GARCH modeli, Zakoian'ın TGARCH'ı ile aynı eşik gösterge yapısını kullanır — her ikisi de asimetrik volatiliteyi yakalar. Her ikisine de sağlam bir tahminci uygulamak, yaygın olarak Robust TGARCH veya sağlam GJR-GARCH olarak adlandırılanı verir.
Robust TGARCH için ne kadar örneklem büyüklüğü gereklidir?
Pratik bir kılavuz olarak, GARCH sınıfı modeller için genel olarak en az 200 gözlem önerilir; sağlam tahmin ek karmaşıklık ekler, bu nedenle 300-500 veya daha fazla gözlem yakınsamayı ve asimptotik çıkarımın güvenilirliğini artırır.
Sağlam tahmin, birim kök veya yapısal kırılmaları kontrol etme ihtiyacını ortadan kaldırır mı?
Hayır. Sağlamlık, durağan bir model içindeki aykırı yeniliklere karşı duyarlılığı ele alır, ancak durağan olmama veya yapısal kırılmalar ayrı testler (ADF, KPSS, Zivot-Andrews) gerektirir. Durağan olmayan bir seriye uydurulan bir Robust TGARCH hala güvenilmez tahminler üretecektir.
Kaynaklar
- Zakoian, J.-M. (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and Control, 18(5), 931–955. DOI: 10.1016/0165-1889(94)90039-6 ↗
- Preminger, A., & Storti, G. (2017). Least squares estimation for GARCH (1,1) model with heavy tailed errors. The Econometrics Journal, 20(1), 221–258. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Threshold Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/robust-tgarch
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
- DCC-GARCH Modeli (Dinamik Koşullu Korelasyon)Ekonometri↔ karşılaştır
- Sağlam ARCH ModeliEkonometri↔ karşılaştır
- Sağlam GARCH ModeliEkonometri↔ karşılaştır
- TGARCH Modeli (Eşik GARCH)Ekonometri↔ karşılaştır