Yapısal Kırılmalı DCC-GARCH Modeli
Structural Break Dynamic Conditional Correlation GARCH Model · Ayrıca şöyle bilinir: DCC-GARCH with structural breaks, break-adjusted DCC-GARCH, regime-shift DCC-GARCH, SB-DCC-GARCH
Yapısal kırılmalı DCC-GARCH, Engle'ın Dinamik Koşullu Korelasyon GARCH çerçevesini, korelasyon ve volatilite yapısının örneklemdeki bir veya daha fazla yapısal kırılma noktasında kaymasına açıkça izin vererek genişletir. Krizler, politika değişiklikleri veya piyasa mikro yapısındaki değişikliklerden kaynaklanan ani rejim değişikliklerini hesaba katarken, birden fazla finansal seri arasındaki zamanla değişen eş-volatiliteyi modeller.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Çok değişkenli finansal getiri serilerinin uzun ufukları (tipik olarak 10 yıl veya daha fazla) kapsadığı ve korelasyonların veya volatilite rejimlerinin değiştiğine inanmak için nedenleriniz olduğu durumlarda yapısal kırılmalı DCC-GARCH kullanın — örneğin, finansal krizler, büyük düzenleyici reformlar veya piyasa entegrasyonu olayları arasında. Özellikle portföy riski yönetimi, bulaşıcılık analizi ve kırılma noktalarını göz ardı etmenin gerçek dinamik korelasyonları abartacağı veya hafife alacağı korunma çalışmaları için uygundur. Kısa seriler (rejim başına 300 gözlemden az) için ilk adım olarak kullanmayın, çünkü her alt dönem DCC dinamiklerini güvenilir bir şekilde tahmin etmek için yeterince uzun olmalıdır. Kırılma noktaları bilinmiyorsa ve çok fazlaysa, bir Markov-geçişli DCC-GARCH tercih edilebilir. Yalnızca bir seri analiz ediliyorsa, tek değişkenli yapısal kırılmalı GARCH yeterlidir.
Güçlü yönler & sınırlılıklar
- Düz DCC-GARCH'ın gizleyeceği korelasyon rejimlerindeki ani, kalıcı kaymaları yakalar.
- Krizler veya yapısal olaylar içeren örneklemlerde örneklem dışı volatilite ve korelasyon tahminlerini iyileştirir.
- Her tarihsel dönem için ekonomiye uygun, rejim-özgü korelasyon tahminleri sağlar.
- Resmi kırılma noktası testleri, kırılma tarihlerinin seçimini şeffaf ve tekrarlanabilir hale getirir.
- Her rejim içinde portföy optimizasyonu ve koşullu VaR hesaplaması ile uyumludur.
- Her rejim içinde yeterince uzun alt örneklemler gerektirir; çok kısa rejimler güvenilmez DCC tahminleri verir.
- Kırılma noktası tespiti kendi başına belirsizliğe tabidir; farklı testler farklı kırılma tarihleri önerebilir.
- Tahmin karmaşıklığı, seri sayısı ve kırılma sayısı ile artar, bu da hesaplama yükünü artırır.
- Kırılmaların ayrık ve kalıcı olduğunu varsayar; kademeli yapısal değişim doğrudan ele alınmaz.
- İki adımlı tahmin, ilk adımdaki parametre belirsizliğini göz ardı eder, potansiyel olarak standart hataları hafife alır.
SSS
Kırılma tarihlerini nasıl seçerim?
Resmi istatistiksel testler, geçici tarihlere tercih edilir. Bai-Perron çoklu yapısal değişim testi, varyans kırılmaları için ICSS (Yinelenecek Kümelerin Toplamları) algoritması veya tek bir bilinmeyen kırılma için Zivot-Andrews testi en yaygın kullanılanlardır. Kırılma sayısını belirlemek için sıfır, bir ve iki kırılmalı modeller için AIC/BIC'yi karşılaştırın.
Bu, Markov-geçişli DCC-GARCH'dan nasıl farklıdır?
Yapısal kırılmalı DCC-GARCH, kırılma tarihlerinin sabit ve kalıcı olduğunu varsayar — rejim kaydıktan sonra geri dönmez. Markov-geçişli DCC-GARCH, rejimleri tahmin edilen geçiş olasılıklarıyla tekrarlanabilen gizli durumlar olarak ele alır. Tekrarlayan rejimler (boğa vs. ayı piyasaları) beklediğinizde Markov-geçişliyi kullanın; yapısal kırılmalı DCC-GARCH'ı rejim kaymalarının kalıcı olduğuna inanıldığında (örneğin, piyasa entegrasyonu olayları) kullanın.
Her rejim için ne kadar örneklem büyüklüğü gereklidir?
DCC parametrelerini tek değişkenli GARCH dinamikleriyle birlikte güvenilir bir şekilde tahmin etmek için kabaca rejim başına en az 250-300 günlük gözlem gereklidir. Daha az gözlemle, parametreler kötü tanımlanır ve standart hatalar çok büyür.
Bu, ikiden fazla varlık serisine uygulanabilir mi?
Evet. DCC çerçevesi birçok varlığa ölçeklenir, ancak sözde korelasyon matrisi Q_t, N x N olarak büyür, bu nedenle N büyük olduğunda hesaplama ve tahmin güvenilirliği bozulur. Yaklaşık 20'den fazla serisi olan portföyler için boyut azaltma teknikleri (DCC-MIDAS, bileşik olabilirlik) önerilir.
Yapısal kırılma GARCH parametrelerini mi, DCC parametrelerini mi, yoksa her ikisini birden mi etkiler?
Tipik olarak her ikisini de. Koşulsuz varyanstaki kırılmalar GARCH uzun vadeli seviyesini etkiler ve koşulsuz korelasyondaki kırılmalar DCC adımındaki Q-bar'ı etkiler. Her rejim içinde ayrı birinci ve ikinci aşama parametrelerini tahmin etmek standart yaklaşımdır.
Kaynaklar
- Engle, R. F. (2002). Dynamic conditional correlation: A simple class of multivariate generalized autoregressive conditional heteroskedasticity models. Journal of Business and Economic Statistics, 20(3), 339-350. DOI: 10.1198/073500102288618487 ↗
- Pelletier, D. (2006). Regime switching for dynamic correlations. Journal of Econometrics, 131(1-2), 445-473. DOI: 10.1016/j.jeconom.2005.01.013 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Structural Break Dynamic Conditional Correlation GARCH Model. ScholarGate. https://scholargate.app/tr/econometrics/structural-break-dcc-garch
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
- Yapısal Kırılmalı EGARCH ModeliEkonometri↔ karşılaştır
- Yapısal Kırılmalı TGARCH (Yapısal Kırılmalarla Eşikli GARCH)Ekonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır
- Zivot-Andrews Yapısal Kırılma TestiEkonometri↔ karşılaştır