Zamanla Değişen Parametreli EGARCH Modeli
Time-Varying Parameter Exponential GARCH Model · Ayrıca şöyle bilinir: TVP-EGARCH, time-varying EGARCH, EGARCH with time-varying parameters, dynamic parameter EGARCH
TVP-EGARCH modeli, Nelson'ın (1991) Üstel GARCH modelini, volatilite denkleminin parametrelerinin — kaldıraç etkisi katsayısı dahil — zaman içinde sürekli olarak sürüklenmesine izin vererek genişletir. Bu, sabit bir kırılma tarihi dayatmadan finansal getiri volatilitesinde yapısal değişimi ve rejim evrimini 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
Uzun örneklemler boyunca farklı ekonomik rejimleri, krizleri veya düzenleyici kaymaları kapsayan finansal getiri volatilitesini modellerken ve kaldıraç etkileri veya kalıcılık parametrelerinin sabit kalmadığından şüpheleniyorsanız TVP-EGARCH kullanın. Özellikle yapısal değişimin uzun sürdüğü hisse senedi, döviz ve emtia piyasalarında değerlidir. Örneklem kısa olduğunda (kabaca 500 gözlemden az) kullanmayın, çünkü filtre, parametre sürüklenmesini gürültüden ayırmak için yeterli veriye ihtiyaç duyar. Ayrıca, iki veya üç rejimli basit bir rejim değiştirme modeli veriye yeterince uyuyorsa bundan kaçının — TVP-EGARCH'ın çok sayıda hiperparametresi vardır ve örneklem orta düzeyde ise veya volatilite dinamikleri aslında stabil ise aşırı uyum sağlayabilir.
Güçlü yönler & sınırlılıklar
- Önceden belirlenmiş bir kırılma tarihi gerektirmeden sürekli gelişen kaldıraç ve kalıcılık etkilerini yakalar.
- EGARCH'ın doğal log-varyans spesifikasyonunu miras alır, parametreler üzerinde eşitsizlik kısıtlamaları olmadan pozitifliği sağlar.
- Zamanla değişen bir kaldıraç katsayısı ile pozitif ve negatif şoklara asimetrik volatilite tepkilerini barındırır.
- Esnek durum-uzay formülasyonu, ek tahmincilerin veya dışsal değişkenlerin parametre dinamiklerine doğrudan dahil edilmesini sağlar.
- Yorumlanması ve ekonomik olayların yanında çizilmesi kolay pürüzsüz parametre yörüngeleri üretir.
- Parametre sürüklenmesini güvenilir bir şekilde belirlemek için uzun yüksek frekanslı zaman serileri (tipik olarak 500 veya daha fazla gözlem) gerektirir.
- Doğrusal olmayan Kalman filtrelemesi yoluyla tahmin, hesaplama açısından yoğundur ve başlangıç değerlerine ve Q'nun spesifikasyonuna duyarlıdır.
- Hiperparametre sayısı Q'nun boyutuna göre artar, bu da orta düzey örneklemlerde aşırı parametrelendirme riski taşır.
- Parametre yörüngeleri üzerindeki çıkarım yaklaşıktır — filtre tabanlı belirsizlik bantları, hiperparametrelerdeki tahmin hatasını hesaba katmaz.
SSS
TVP-EGARCH, Markov-anahtarlamalı EGARCH'tan nasıl farklıdır?
Markov-anahtarlamalı EGARCH, parametrelerin tahmin edilen geçiş olasılıklarıyla küçük bir ayrık rejim kümesi arasında atlamasına izin verir. TVP-EGARCH bunun yerine parametrelerin rassal yürüyüşler olarak zaman içinde sürekli olarak sürüklenmesine izin verir. Değişim kademeli ve rejim sınırları belirsiz olduğunda TVP daha uygundur; veri ani, tekrarlayan rejim kaymaları gösterdiğinde Markov-anahtarlamalı daha iyidir.
Hangi tahmin yazılımı TVP-EGARCH'ı uyarlayabilir?
Model R'da (durum-uzay yapısı için dlm veya KFAS paketlerini özel EGARCH log-olabilirlik koduyla birleştirerek), Python'da filterpy veya pykalman ile ve MATLAB'da uygulanabilir. Ox/SsfPack ayrıca akademik literatürde skor-sürümlü varyantlar için kullanılır.
TVP-EGARCH'a skor-sürümlü bir alternatif nedir?
Harvey ve Chakravarty (2008) ve Creal, Koopman ve Lucas (2013), parametrelerin log-olabilirliğin ölçeklenmiş skoru tarafından güncellendiği gözlem-sürümlü 'skor-sürümlü' veya GAS (Genelleştirilmiş Otoregresif Skor) modelleri önerdiler. GAS-EGARCH, doğrusal olmayan filtrelemeyi önleyen, maksimum olabilirlik ile tahmin edilmesi daha kolay olan ve iyi anlaşılmış büyük örneklem özelliklerine sahip pratik bir alternatiftir.
TVP-EGARCH günlük verilere mi yoksa yüksek frekanslı verilere mi uygundur?
Öncelikle günlük getiri serileri için geliştirilmiştir. Daha yüksek frekanslarda (tick veya dakika verisi) gerçekleşen-volatilite tabanlı modeller genellikle GARCH tipi spesifikasyonlardan daha iyi performans gösterir. Daha düşük frekanslarda (haftalık veya aylık) örneklem boyutu parametre sürüklenmesini belirlemek için yetersiz olabilir.
Süreç gürültüsü kovaryansı Q nasıl seçilir?
Q tipik olarak diğer hiperparametrelerle birlikte log-olabilirlik maksimize edilerek tahmin edilir. Yaygın bir basitleştirme, Q'yu bir skaler varyans parametresine orantılı olarak ayarlayarak boyutluluğu azaltmaktır. Bir ayrılmış dönem üzerindeki çapraz doğrulama veya tahmin değerlendirme kriterleri (örneğin, varyansın karesi ortalama tahmin hatası) seçimi yönlendirebilir.
Kaynaklar
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. DOI: 10.2307/2938260 ↗
- Harvey, A. C. (2013). Dynamic Models for Volatility and Heavy Tails: With Applications to Financial and Economic Time Series. Cambridge University Press. ISBN: 9781107034723
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Exponential GARCH Model. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-egarch-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
Yan yana karşılaştır →