Zamanla Değişen Parametreli TGARCH Modeli
Time-Varying Parameter Threshold Generalized Autoregressive Conditional Heteroscedasticity Model · Ayrıca şöyle bilinir: TVP-TGARCH, time-varying TGARCH, threshold GARCH with time-varying parameters, TVP Threshold GARCH
TVP-TGARCH modeli, eşik GARCH modelini, volatilite parametrelerinin durum-uzay temsili aracılığıyla zaman içinde evrimleşmesine izin vererek genişletir. Hem kaldıraç etkisini — negatif getiri şoklarının pozitif olanlardan daha fazla volatiliteyi artırması — hem de bu asimetrideki yapısal değişimi yakalar, bu da onu rejim kaymalarına maruz kalan uzun finansal zaman serileri için 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 finansal getiri serileriniz (yüzlerce ila binlerce gözlem) olduğunda ve kaldıraç etkisinin veya genel volatilite dinamiklerinin örneklem boyunca değiştiğinden şüphelendiğinizde — örneğin birden fazla iş döngüsünü, krizi veya düzenleyici rejimi kapsayan — TVP-TGARCH'ı kullanın. Yapısal istikrarın şüpheli olduğu durumlarda doğru uzun vadeli volatilite tahmini ve risk yönetimi için değerlidir. Kısa örneklemlerde (yaklaşık 300 gözlemden az) zamanla değişen parametrelerin yetersiz tanımlandığı veya standart bir TGARCH veya rejim kuklalarıyla GJR-GARCH'ın yeterli olduğu ve tutumluluğun tercih edildiği durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- TGARCH'ın kaldıraç etkisini yakalarken aynı zamanda bu asimetri parametrelerinin zaman içinde değişmesine izin verir.
- Önceden belirlenmiş kırılma tarihleri gerektirmeden volatilite dinamiklerindeki kademeli veya ani yapısal değişimi tespit eder.
- Durum-uzay formülasyonu, iyi geliştirilmiş Kalman filtresi tahmini ile ilkeli bir olasılıksal çerçeve sağlar.
- Tahmin edilen parametrelerin tam bir zaman yolu üretir, finansal risk hassasiyetinin nasıl geliştiğinin analizini sağlar.
- Uzun vadeli dış-örneklem volatilite tahmininde sabit parametreli modellere göre daha iyi performans gösterir.
- Zamanla değişen parametrelerin iyi tanımlanması için büyük örneklere ihtiyaç duyar; kısa paneller kararsız tahminler verir.
- Standart GARCH ailesi modellerine kıyasla, özellikle değişmesine izin verilen çok sayıda parametre ile hesaplama açısından yoğundur.
- Model seçimi (hangi parametrelere izin verileceği, geçiş kovaryansı Q seçimi) önemsiz olmayan belirleme kararları içerir.
- Kalman düzelticinin filtreleme belirsizliği pratikte tahmin güven aralıklarına nadiren tam olarak yayılır.
SSS
TVP-TGARCH modeli, Markov anahtarlamalı GARCH modelinden nasıl farklıdır?
Markov anahtarlamalı GARCH, gözlemlenmeyen bir Markov zinciri tarafından yönetilen ani geçişlerle sonlu sayıda ayrık rejim varsayar. TVP-TGARCH ise, ani sıçramalar yerine kademeli yapısal değişimi daha iyi yakalayan bir rastgele yürüyüş durum denklemi aracılığıyla parametrelerin zaman içinde sürekli olarak sürüklenmesine izin verir.
Tipik olarak hangi parametrelerin zaman içinde değişmesine izin verilir?
Pratikte, araştırmacılar genellikle asimetri katsayıları α⁺ ve α⁻ ve bazen de kalıcılık parametresi β'nın değişmesine izin verirken, kesişim ω'yı sabit veya zamanla değişen tutarlar. Seçim, örneklem uzunluğuna ve test edilen ekonomik hipoteze bağlıdır.
Hangi tahmin yöntemi kullanılır?
Standart yaklaşım, Kalman filtresi aracılığıyla yarı-maksimum olasılıktır: durum-uzay formu, olasılığı değerlendirmek için tahmin hatası ayrıştırmasına izin verir, bu daha sonra sayısal olarak maksimize edilir. Parçacık filtreleri veya MCMC kullanan Bayesçi yaklaşımlar da literatürde bulunmaktadır.
Ne kadar büyük bir örneğe ihtiyaç vardır?
Bir kural olarak, en az 300 gözlem ve ideal olarak 500 veya daha fazla gözlem gereklidir, böylece zamanla değişen parametrelerin her dönemde tanımlanması için yeterli veri olur. Daha az gözlemle, geçiş varyansı Q'nun tahminleri güvenilmez hale gelir.
TVP-TGARCH çok değişkenli ayarlara genişletilebilir mi?
Evet, çok değişkenli uzantılar (TVP-DCC-TGARCH, asimetrili TVP-BEKK) literatürde mevcuttur, ancak bunlar önemli ölçüde daha fazla hesaplama gerektirir ve varlık sayısı arttıkça tanımlama zorlukları da artar.
Kaynaklar
- Zakoïan, J.-M. (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and Control, 18(5), 931–955. DOI: 10.1016/0165-1889(94)90039-6 ↗
- 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). Time-Varying Parameter Threshold Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-tgarch-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
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır
- TGARCH Modeli (Eşik GARCH)Ekonometri↔ karşılaştır