Yapısal Kırılmalı TGARCH (Yapısal Kırılmalarla Eşikli GARCH)
Structural Break Threshold GARCH · Ayrıca şöyle bilinir: SB-TGARCH, threshold GARCH with structural breaks, GJR-GARCH with structural breaks, break-adjusted TGARCH
Yapısal Kırılmalı TGARCH modeli, volatilite sürecindeki ayrık, kalıcı değişimleri hesaba katmak üzere Eşikli GARCH (GJR-GARCH) modelini genişletir. Yapısal kırılmaları tespit ederek ve bunları rejim-spesifik kesişimler veya kukla değişkenler olarak dahil ederek, model gerçek volatilite kalıcılığını göz ardı edilen rejim değişikliklerinin neden olduğu yapay kalıcılıktan ayırır ve hisse senedi ve finansal getiri verilerini karakterize eden asimetrik kaldıraç etkisini 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
Finansal krizler, parasal rejim değişiklikleri veya büyük politika kaymaları gibi belirgin yapısal olayları kapsayan uzun örneklemler üzerinde finansal getiri volatilitesini modellerken Yapısal Kırılmalı TGARCH'ı kullanın. Özellikle standart bir TGARCH'ın aşırı yüksek kalıcılık (alpha + beta + gamma/2, 1'e yakın) vermesi ve ICSS veya Bai-Perron testlerinin varyans homojenliğini reddetmesi durumunda uygundur. Ayrıca, kaldıraç etkisinin teorik olarak beklendiği (hisse senedi getirileri) ve kırılmalar düzeltildikten sonra korunması gerektiği durumlarda doğru araçtır. Örneklem kısa olduğunda (yaklaşık 500 gözlemden az), yapısal kırılma tespit edilmediğinde veya sürekli rejim değişikliği daha olası olduğunda (bu durumda Markov-Anahtarlamalı GARCH tercih edilir) bundan kaçının.
Güçlü yönler & sınırlılıklar
- Modellenmemiş yapısal kırılmaların neden olduğu yapay volatilite kalıcılığını ortadan kaldırır, bu da tarafsız GARCH parametre tahminleri sağlar.
- Hisse senedi ve döviz verileri için ampirik olarak önemli olan TGARCH/GJR-GARCH'ın asimetrik kaldıraç etkisini korur.
- Tek, çarpık uzun vadeli bir varyans yerine rejim-spesifik kesişimler kullanarak örneklem dışı volatilite tahminini iyileştirir.
- Kırılma seçimi rastgele değil, veri odaklı hale getiren resmi kırılma noktası tespit algoritmaları (ICSS, Bai-Perron) ile uyumludur.
- Sandviç standart hatalarla QMLE, normal olmayan yenilikler altında geçerli çıkarım sağlar.
- Kırılma tespit yöntemleri, kırılma tarihlerinin sayısı ve konumu konusunda anlaşmazlığa düşebilir, bu da nihai model spesifikasyonunu seçilen tespit prosedürüne duyarlı hale getirir.
- Rejim-spesifik parametrelerin tahmin edilmesi, her alt dönemde yeterli gözlem gerektirir; çok kısa rejimler, kötü tanımlanmış GARCH katsayılarına yol açar.
- Model, ani, kalıcı kırılmaları varsayar; kademeli yapısal değişim veya yumuşak geçişler, zamanla değişen parametre veya Markov-Anahtarlamalı GARCH modelleri ile daha iyi ele alınır.
- Tespit edilen çok sayıda kırılma ile model, aşırı uyum ve zayıf parsimoni riski taşıyarak ağır parametrelenmiş hale gelir.
SSS
Güvenilir tahmin için her rejimde kaç gözlem gereklidir?
Her rejim için yaklaşık 100-200 gözlem pratik bir minimumdur, böylece ARCH(1), GARCH(1) ve asimetri (gamma) parametreleri iyi tanımlanır. Çok kısa rejimler — 50 gözlemden az — tipik olarak kararsız tahminler verir ve bitişik rejimlerle birleştirilmeli veya aykırı değer olayları olarak ele alınmalıdır.
İstatistiksel kırılma testleri yerine takvim tabanlı kırılmaları (örn. 2008 mali krizi) kullanabilir miyim?
Evet, ancak istatistiksel onay şiddetle tavsiye edilir. Önceden seçilmiş bir takvim tarihi, varyans sürecindeki gerçek değişimle tam olarak örtüşmeyebilir. Önce bir ICSS veya Bai-Perron testi çalıştırın; algoritma olaya yakın bir tarih kurtarırsa, takvim kırılması doğrulanır. Kurtarmazsa, veri odaklı tarihe güvenin veya daha fazla araştırma yapın.
Yapısal kırılmalar için düzeltme yapmak her zaman GARCH kalıcılığını azaltır mı?
Neredeyse her zaman evet. Lamoureux ve Lastrapes (1990), kırılma kuklaları dahil edildiğinde kırılma kuklalarının tahmin edilen kalıcılığı keskin bir şekilde azalttığını ampirik olarak göstermiştir. Kırılma düzeltmesinden sonra kalıcılık 1'e yakın kalırsa, bu gerçek uzun vadeli volatilite belleği anlamına gelebilir ve bunun yerine bir FIGARCH veya HYGARCH spesifikasyonu gerektirebilir.
Yapısal Kırılmalı TGARCH'ı hangi yazılım uygular?
R paketleri rugarch ve MSwM, kuklalı kırılmalarla TGARCH tahminini destekler; strucchange ve BreakoutDetection paketleri kırılma tespitini ele alır. Python'da arch, GJR-GARCH'ı sağlar ve varyans denkleminde dışsal regresörleri (kukla kırılmalar) kabul eder. Stata kullanıcıları, garch komutu aracılığıyla özel GARCH koduyla vcemway sağlam standart hataları birleştirebilir.
Günlük veya yüksek frekanslı getiri serinizi StatWise'a yükleyin, varyans değişim tarihlerini bulmak için ICSS kırılma tarayıcısını çalıştırın, ardından rejim kuklalarıyla Yapısal Kırılmalı TGARCH'ı uydurun — tek bir iş akışında kalıcılık tahminleri, kaldıraç katsayıları, haber etkisi eğrileri ve rejim-spesifik volatilite yolları elde edersiniz.
StatWise'a günlük veya yüksek frekanslı getiri serinizi yükleyin, varyans değişikliğini test edin ve yapısal kırılmalı TGARCH modelini tahmin edin.
Kaynaklar
- Lamoureux, C. G., & Lastrapes, W. D. (1990). Persistence in variance, structural change, and the GARCH model. Journal of Business & Economic Statistics, 8(2), 225-234. DOI: 10.1080/07350015.1990.10509794 ↗
- Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. Journal of Finance, 48(5), 1779-1801. DOI: 10.1111/j.1540-6261.1993.tb05128.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Structural Break Threshold GARCH. ScholarGate. https://scholargate.app/tr/econometrics/structural-break-tgarch
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- GARCH Modeli (Volatilite Tahmini)Ekonometri↔ karşılaştır
- TGARCH Modeli (Eşik GARCH)Ekonometri↔ karşılaştır