Zamanla Değişen Parametreli DCC-GARCH Modeli
Time-Varying Parameter Dynamic Conditional Correlation GARCH Model · Ayrıca şöyle bilinir: TVP-DCC-GARCH, time-varying DCC-GARCH, dynamic conditional correlation GARCH with TVP, TVP dynamic conditional correlation model
TVP-DCC-GARCH modeli, sadece çiftler halindeki korelasyonların değil, aynı zamanda temel model parametrelerinin de zaman içinde sürekli olarak evrimleşmesine izin vererek Dinamik Koşullu Korelasyon GARCH çerçevesini genişletir. Volatilite dinamiklerindeki ve varlıklar arası bağımlılıktaki yapısal değişimleri yakalar, bu da onu durağan olmayan ortamlarda finansal risk modellemesi için vazgeçilmez 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
Çok değişkenli finansal zaman serileriniz (hisse senedi getirileri, döviz kurları, emtia fiyatları) olduğunda ve teori veya tanı testleri, korelasyon veya volatilite parametrelerinin örneklem boyunca — örneğin finansal krizler, politika rejimi değişiklikleri veya on yıllarca süren uzun paneller — kaydığını gösterdiğinde TVP-DCC-GARCH kullanın. Özellikle dinamik portföy optimizasyonu, zamanla değişen korunma oranı tahmini ve yayılma analizi için uygundur. Örneklem kısa olduğunda (seri başına 200 gözlemden az), parametreler yapısal kırılma testleri altında stabil göründüğünde veya sabit parametreli bir DCC-GARCH yeterince uyduğunda kullanmayın, çünkü ek esneklik tahmin karmaşıklığını ve potansiyel aşırı uyumu artırır.
Güçlü yönler & sınırlılıklar
- Tek bir çerçevede hem zamanla değişen koşullu volatilitiyi hem de zamanla değişen koşullu korelasyonu yakalar.
- Önceden belirlenmiş kırılma noktalarına gerek kalmadan bağımlılıktaki kademeli yapısal değişimleri tespit eder.
- Her dönem güncellenen dinamik korunma oranları ve minimum varyanslı portföy ağırlıkları üretir.
- Uzun finansal paneller ve birden fazla piyasa rejimi için sabit korelasyonlu modellere göre daha gerçekçidir.
- Esnek tahmin: yuvarlanan pencere OLS, Kalman filtresi ve Bayes durum-uzay yaklaşımlarıyla uyumludur.
- Yüksek parametre boyutu, varlık sayısı ile karesel olarak artar, bu da büyük portföylerde 'boyutluluk laneti'ne neden olur.
- Stabil TVP tahmini için uzun zaman serileri (tipik olarak 200+ gözlem) gerektirir; kısa örneklemler kötü tanımlanmış parametre yollarına yol açar.
- Durum-uzay veya Kalman filtresi sistemlerinin tanımlanması ve yakınsaması başlangıç değerlerine ve önsel seçimlere duyarlı olabilir.
- Yavaş sürüklenen parametrelerin yorumlanması, stabil DCC parametrelerine göre daha az basittir.
SSS
TVP-DCC-GARCH standart DCC-GARCH'tan nasıl farklıdır?
Standart DCC-GARCH'ta korelasyon dinamiklerini yöneten skaler parametreler a ve b örneklem boyunca sabittir. TVP-DCC-GARCH'ta bu parametreler (ve muhtemelen GARCH parametreleri) bir durum-uzay veya yuvarlanan pencere süreci aracılığıyla zamanla değişebilir, böylece model piyasa dinamiklerindeki yapısal değişimlere uyum sağlar.
Zamanla değişen parametreler nasıl tahmin edilir?
Yaygın yaklaşımlar arasında yuvarlanan pencere QML tahmini (her pencerede DCC parametrelerini yeniden tahmin etme), parametreleri gizli durumlar olarak ele alan Kalman filtresi ve Bayes MCMC yöntemleri bulunur. Her biri hesaplama maliyetini, tahmin edilen parametre yolunun düzgünlüğü ve belirsizlik nicemlemesi ile dengelemektedir.
TVP-DCC-GARCH kaç varlığı kaldırabilir?
Skaler DCC parametrelendirmesi, varlık sayısından bağımsız olarak sadece iki (a ve b) korelasyon parametresi sayısını korur, bu nedenle orta büyüklükteki portföyler (20-30 seriye kadar) yönetilebilir. Bunun ötesinde, sayısal kararsızlığı önlemek için bileşik olabilirlik veya faktör-DCC uzantıları önerilir.
Hangi yazılımlar TVP-DCC-GARCH tahmin edebilir?
R paketleri rmgarch (Ghalanos) ve MTS, Stata'nın mgarch paketi ve Python'un arch kütüphanesi DCC-GARCH'ı destekler. TVP uzantıları tipik olarak R'de dlm veya KFAS paketlerini veya Python'da PyKalman/Stan kullanarak özel kod gerektirir.
Bu model kripto paralar veya diğer finansal olmayan veriler için kullanılabilir mi?
Evet, seriler volatilite kümelenmesi (ARCH etkileri) sergilediği sürece. Kripto para getirilerinin birlikte hareketleri, enerji piyasası yayılmaları ve zamanla korelasyon yapısının değişmesi beklenen emtia-hisse senedi bağlantıları üzerinde uygulanmıştır.
Kaynaklar
- Engle, R. (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 ↗
- Christoffersen, P., Errunza, V., Jacobs, K., & Langlois, H. (2012). Is the potential for international diversification disappearing? A dynamic copula approach. Review of Financial Studies, 25(12), 3711-3751. DOI: 10.1093/rfs/hhs104 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Dynamic Conditional Correlation GARCH Model. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-dcc-garch-model
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
- Dinamik Faktör ModeliEkonometri↔ karşılaştır
- GARCH Modeli (Volatilite Tahmini)Ekonometri↔ karşılaştır