Zamanla Değişen Parametreli GARCH Modeli (TVP-GARCH)
Time-Varying Parameter Generalized Autoregressive Conditional Heteroscedasticity Model · Ayrıca şöyle bilinir: TVP-GARCH, time-varying GARCH, TV-GARCH, state-space GARCH
Zamanla Değişen Parametreli GARCH (TVP-GARCH) modeli, standart GARCH çerçevesini, koşullu varyans parametrelerinin – ARCH ve GARCH katsayıları dahil – örneklem boyunca sabit kalmak yerine zamanla değişmesine izin vererek genişletir. Bu, onu, oynaklık dinamiklerinin farklı piyasa rejimleri veya ekonomik olaylar boyunca geliştiği finansal ve makroekonomik seriler için çok uygun hale getirir.
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 bir finansal veya makroekonomik zaman seriniz olduğunda ve oynaklık dinamiklerinin zamanla istikrarlı olmadığına dair kanıtlarınız – yapısal kırılma testleri, kayan pencere tahminleri veya ekonomik akıl yürütme yoluyla – olduğunda TVP-GARCH kullanın. Özellikle finansal krizler, politika rejimi değişiklikleri veya risk özelliklerinin önemli ölçüde değiştiği diğer olaylar etrafında değerlidir. Örneklem kısa olduğunda (yaklaşık 200 gözlemden az) kullanmayın, çünkü filtre sınırlı verilerle parametreleri güvenilir bir şekilde izleyemez. Basit bir GARCH spesifikasyonunun bilinen kırılma tarihleri için kukla değişkenlerle yeterli olduğu durumlarda veya örnek dışı tahmin birincil hedef olduğunda ve tutumluluk esneklikten daha önemli olduğunda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Kırılma tarihlerini bilmeye gerek kalmadan oynaklık dinamiklerindeki rejim değişikliklerini ve yapısal kırılmaları yakalar.
- Birden fazla iş ve kredi döngüsünü kapsayan uzun finansal örneklemler için sabit parametreli GARCH'dan daha gerçekçidir.
- GAS/skor-temelli varyantı hesaplama açısından elverişlidir ve tam bir durum-uzay özyinelemesi gerektirmez.
- Piyasa olaylarının yanı sıra ekonomik olarak yorumlanabilen zaman damgalı katsayı tahminleri sağlar.
- Parametre varyansı Q sıfıra eşit olduğunda standart GARCH modelini özel bir durum olarak içerir.
- Filtrenin parametre sürüklenmesini gürültüden güvenilir bir şekilde ayırması için uzun örneklemler (en az 200-300 gözlem) gerektirir.
- Standart GARCH'dan önemli ölçüde daha fazla parametre ve tahmin edilecek hiperparametre; optimizasyon sayısal olarak hassas olabilir.
- Tanımlanan parametre yolları, genellikle test edilmesi zor olan varsayılan geçiş denklemine (rastgele yürüyüş vs. ortalamaya dönen) büyük ölçüde bağlıdır.
- Örnek dışı tahmin, gelecekteki parametre değerlerinin de tahmin edilmesi gerektiğinden, sabit parametreli modellerden daha karmaşıktır.
- Birden fazla parametre aynı anda değiştiğinde yorumlama zorlaşır, bu da değişen oynaklığın kaynaklarını ayırmayı zorlaştırır.
SSS
TVP-GARCH, Markov-anahtarlamalı GARCH'dan nasıl farklıdır?
Markov-anahtarlamalı GARCH, parametrelerin gizli bir Markov zincirine göre az sayıda ayrık rejim arasında sıçradığını varsayar. TVP-GARCH bunun yerine parametrelerin sürekli ve pürüzsüz bir şekilde sürüklenmesine izin verir. Oynaklık durumları arasında ani değişimler olduğuna inandığınızda Markov-anahtarlamalı kullanın; oynaklık dinamiklerinin kademeli, devam eden bir evrimini beklediğinizde TVP-GARCH kullanın.
GAS (skor-temelli) yaklaşımı nedir ve TVP-GARCH ile nasıl ilişkilidir?
Creal, Koopman ve Lucas'ın (2013) Genelleştirilmiş Otoregresif Skor (GAS) çerçevesi, tahmin edici log-olasılığın ölçeklenmiş skorunu kullanarak zamanla değişen parametreleri günceller. GARCH'a uygulandığında, bu, sağlam, hesaplama açısından basit ve Kalman filtresi gerektirmeyen bir TVP-GARCH varyantı üretir, bu da onu tam durum-uzay formülasyonuna popüler bir alternatif haline getirir.
Güvenilir TVP-GARCH tahmini için kaç gözleme ihtiyacım var?
Pratik bir kılavuz olarak, Kalman filtresinin gerçek parametre sürüklenmesini tahmin gürültüsünden ayırması için en az 200-300 gözlem gereklidir. Daha kısa örneklemlerde, tahmin edilen yollar filtre belirsizliği tarafından domine edilir ve daha basit sabit parametreli GARCH modelleri tipik olarak hem örnek içi hem de örnek dışı olarak TVP-GARCH'dan daha iyi performans gösterir.
TVP-GARCH çok değişkenli serilere genişletilebilir mi?
Evet. Çok değişkenli uzantılar, koşullu kovaryans matrisinin zamanla değişen ARCH ve GARCH yüklerine sahip olmasına izin verir, bu da dinamik koşullu korelasyon modellemesi için kullanışlıdır. Ancak, parametre sayısı serilerin sayısıyla hızla artar, bu nedenle dikkatli düzenlileştirme veya faktör tabanlı boyut azaltma genellikle gereklidir.
Parametreler için rastgele yürüyüş ve ortalamaya dönen geçiş denklemi arasında nasıl seçim yapmalıyım?
Rastgele yürüyüş, en yaygın varsayılan seçenektir çünkü tutumludur ve ek hiperparametre gerektirmez. Parametrelerin uzun vadeli bir denge değeri etrafında dalgalandığına dair ekonomik nedenleriniz olduğunda ortalamaya dönen (Ornstein-Uhlenbeck) bir özellik tercih edilir. Bu iki özelliği Akaike veya Bayes bilgi kriterini kullanarak karşılaştırabilirsiniz.
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 ↗
- Creal, D., Koopman, S. J., & Lucas, A. (2013). Generalized autoregressive score models with applications. Journal of Applied Econometrics, 28(5), 777-795. DOI: 10.1002/jae.1279 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-garch-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- GARCH Modeli (Volatilite Tahmini)Ekonometri↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır