Zamanla Değişen Parametreli ARCH Modeli (TVP-ARCH)
Time-Varying Parameter Autoregressive Conditional Heteroscedasticity Model · Ayrıca şöyle bilinir: TVP-ARCH, time-varying ARCH, adaptive ARCH, state-space ARCH
Zamanla Değişen Parametreli ARCH (TVP-ARCH) modeli, klasik ARCH çerçevesini, hem koşullu ortalama katsayılarının hem de ARCH varyans parametrelerinin rassal yürüyüş veya durum-uzay süreci uyarınca zaman içinde sürüklenmesine izin vererek genişletir. Bu, sabit bir parametre rejimi dayatmadan volatilite dinamiklerindeki yapısal değişimleri yakalamayı mümkün kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
TVP-ARCH'ı, bir zaman serisinin ARCH dinamiklerinin zaman içinde değiştiğini düşündüğünüzde kullanın — örneğin, finansal krizler sırasında ve sonrasında, para politikası rejimi değişikliklerinde veya teknoloji odaklı piyasa yapısı değişikliklerinde. Özellikle tek bir sabit parametreli ARCH modelinin farklı volatilite rejimlerinden geçtiği uzun finansal paneller (hisse senetleri, döviz kurları, emtia fiyatları) için değerlidir. Örneklem kısa olduğunda (yaklaşık 200 gözlemden az) kaçının, çünkü durum denklemleri parametre sürüklenmesini belirlemek için yeterli veri gerektirir. Standart parametre kararlılığı testleri (örneğin, CUSUM, Andrews kırılma noktası) sabitliği reddetmediğinde de gereksizdir.
Güçlü yönler & sınırlılıklar
- Dışsal bir kırılma noktası belirtmeyi gerektirmeden ARCH dinamiklerindeki kademeli yapısal kırılmaları yakalar.
- Durum yenilik varyansının sıfır olduğu durumda standart sabit parametreli ARCH modelini özel bir durum olarak içerir.
- Kalman filtresi veya Bayesci durum-uzay yöntemleri aracılığıyla prensipli bir olasılıksal çerçeve ile esnekliği birleştirir.
- Volatilite kalıcılığının nasıl evrimleştiğini ortaya koyan zamana göre dizinlenmiş katsayı yollarını üretir — tarihsel anlatı ve politika analizi için kullanışlıdır.
- Tek bir tutarlı modelde zamanla değişen ortalama ve varyans parametrelerini ortaklaşa barındırabilir.
- Standart ARCH'dan önemli ölçüde daha uzun zaman serileri gerektirir; kısa örneklemler, kötü tanımlanmış durum yörüngelerine yol açar.
- Hesaplama açısından yoğundur, özellikle Gauss olmayan durum-uzay sistemleri için MCMC veya parçacık filtreleri kullanıldığında.
- Aşırı uyum riski: model, durum gürültüsü kovaryansları dikkatlice düzenlenmezse, örnekleme gürültüsünü gerçek parametre sürüklenmesine atfedebilir.
- Hiperparametre belirlemesi (durum gürültüsü kovaryansı Q, Σ_ξ) etkilidir ve her zaman ekonomik teori tarafından yönlendirilmez.
- Yazılım desteği standart GARCH'a göre daha sınırlıdır; uygulama genellikle R, Python veya Matlab'da özel kod gerektirir.
SSS
TVP-ARCH, rejim değiştiren bir ARCH modelinden nasıl farklıdır?
Rejim değiştiren ARCH modelleri (örneğin, Markov-anahtarlamalı ARCH), parametrelerin sonlu sayıda durum arasında ayrık olarak atlamasına izin verir. TVP-ARCH, durum-uzay rassal yürüyüşü yoluyla sürekli, kademeli bir sürüklenmeye izin verir. Değişim yavaş ve düzgün olduğunda TVP-ARCH daha iyidir; ani ve tekrarlayan değişimler söz konusu olduğunda rejim değiştiren model tercih edilir.
ARCH(q) varyans denklemi yerine GARCH(1,1) ile TVP-ARCH kullanabilir miyim?
Evet. Zamanla değişen parametre fikri doğal olarak GARCH'a genişler ve hem ARCH hem de GARCH katsayılarının sürüklendiği bir TVP-GARCH modeli elde edilir. Bu, daha yaygın pratik genişlemedir, ancak durum denklemlerinin sayısını ve hesaplama yükünü artırır.
TVP-ARCH için minimum örneklem boyutu nedir?
Evrensel bir kural yoktur, ancak literatürdeki simülasyonlar, durum yörüngesinin kararlı Kalman filtresi tahminlerini elde etmek için en az 200-300 gözlem önerir. Daha kısa örneklemler, zamanla değişen parametreler için çok geniş güven aralıkları üretme eğilimindedir.
Parametre değişiminin istatistiksel olarak anlamlı olup olmadığını nasıl test ederim?
TVP-ARCH'ı kısıtlı (sabit parametreli) ARCH ile karşılaştıran bir olabilirlik oranı testi resmi bir test sağlar. Boş hipotez Q = 0 ve Σ_ξ = 0'dır (sürüklenme yok). Bu testin parametre uzayının sınırında olduğunu unutmayın, bu nedenle standart ki-kare kritik değerleri muhafazakardır.
Hangi yazılım paketleri TVP-ARCH'ı uygular?
Tek bir baskın paket yoktur. Uygulayıcılar genellikle R ('dlm', 'KFAS' veya 'bsts' paketlerini kullanarak), Python ('statsmodels' durum-uzay araçlarıyla) veya Matlab'da Kalman filtresini manuel olarak uygularlar. Bayesci versiyonlar genellikle özel MCMC kodu veya Stan'a dayanır.
Kaynaklar
- Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987–1007. DOI: 10.2307/1912773 ↗
- Cogley, T., & Sargent, T. J. (2005). Drifts and volatilities: Monetary policies and outcomes in the post WWII US. Review of Economic Dynamics, 8(2), 262–302. DOI: 10.1016/j.red.2004.10.009 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-arch-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
- Kalman FiltresiBayesçi↔ karşılaştır