Markov-Switching Multifractal Model
Ayrıca şöyle bilinir: MSM, Markov-switching multifractal volatility
Finansal piyasalar, birden çok zaman ölçeğinde kümelenen oynaklık sergiler: bazı şoklar dakikalar sürer (gün içi sıçramalar), diğerleri günler (piyasa düzeltmeleri) ve bazıları aylar (rejim değişiklikleri) sürer. MSM modeli, her biri farklı bir frekansta çalışan birden çok bağımsız ikili anahtarı (rejim göstergeleri gibi) katmanlayarak bunu yakalar. Bu anahtarlar 'açık' olduğunda oynaklığı artırır; 'kapalı' olduğunda ise zayıflatır. Bu anahtarların birden çok ölçekte etkileşimi, açıkça rejim geçişleri belirtmeye gerek kalmadan gerçekçi, kırılgan benzeri oynaklık desenleri üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gerçekçi çok kırılgan oynaklık kümelenmesini aynı anda birden çok frekansta yakalar
Güçlü yönler & sınırlılıklar
- Ampirik olarak gözlemlenen kalın kuyruklar ve uzun hafıza özelliklerine sahip getiriler üretir
- Momentler ve uzun ufuklu tahminler için kapalı form ifadelerine izin verir
- Farklı zaman ölçeklerindeki ekonomik rejimlere karşılık gelen yorumlanabilir gizli durum değişkenleri
- Parametre tahmini, özellikle birçok frekans bileşeniyle hesaplama açısından yoğun olabilir
- Ayrık rejim varsayımı (ikili anahtarlar) bir yaklaşımdır; sürekli alternatifler mevcuttur ancak daha karmaşıktır
- Frekans bileşenlerinin sayısı ve doğası önceden belirtilmelidir; otomatik seçim mekanizması yoktur
- Modelin eğrilik, sıçrama gibi önemli oynaklık dışı özellikleri kaçırması durumunda ampirik fiyatlandırma hataları devam edebilir
- Aşırı parametrelendirme—çok fazla frekans bileşeni eklemek aşırı uyuma ve zayıf örneklem dışı performansa yol açar
SSS
Bileşen sayısı uygulamanıza ve veri frekansınıza bağlıdır. Günlük getiriler için, 2-3 bileşen (gün içi ila çok haftalık zaman ölçeklerini kapsayan) tipiktir. Rastgele seçimler yerine optimal sayıyı seçmek için bilgi kriterlerini (AIC, BIC) veya çapraz doğrulamayı kullanın.
MSM, GARCH modelleriyle nasıl karşılaştırılır?
GARCH modelleri, oynaklığın geçmiş karesel yenilikler tarafından yönlendirildiğini ve tek bir yumuşatma mekanizmasına sahip olduğunu varsayar. Buna karşılık MSM, birden çok bağımsız gizli durum kullanır ve uzun hafıza ve çok kırılgan özellikleri daha doğal bir şekilde üretmesini sağlar. MSM genellikle hisse senedi ve FX verileri için daha iyi uyum ve tahminler sağlar.
MSM, sıçrama riskini ve kalın kuyrukları yakalayabilir mi?
MSM, rejim anahtarlarının çarpımsal etkileşimi yoluyla kalın kuyruklar üretir. Ancak, gerçekten şiddetli sıçramalar (örneğin, piyasa çöküşleri) için, MSM'yi bir sıçrama bileşeniyle artırmak uyumu iyileştirebilir. Bazı hibrit modeller MSM'yi Poisson sıçrama süreçleriyle birleştirir.
Gizli durumlar gözlemlenmiyorsa nasıl tahmin edilir?
Parametreler tipik olarak, gizli durumları olasılık fonksiyonunun bir parçası olarak ele alarak, gözlemlenebilir getiriler üzerinde yarı-maksimum olabilirlik tahmini (QMLE) kullanılarak tahmin edilir. Hamilton filtreleri veya parçacık filtreleri daha sonra tahmin sonrası en olası durum dizisini geri çıkarabilir.
MSM, yüksek frekanslı (tick düzeyinde) veriler için kullanılabilir mi?
Evet, MSM birden çok zaman ölçeği için tasarlanmıştır ve yüksek frekanslı verilerle iyi çalışır. Ancak, hesaplama maliyeti artar ve alış-satış farkı ve mikro yapı etkilerini dahil etmeniz gerekebilir. Yüksek frekanslı uygulamalar için genellikle özel uygulamalar (örneğin, C++ veya GPU'da) kullanılır.
Yes, MSM is designed for multiple timescales and works well with high-frequency data. However, computational cost increases, and you may need to incorporate bid-ask bounce and microstructure effects. Specialized implementations (e.g., in C++ or GPU) are often used for high-frequency applications.
Kaynaklar
- Calvet, L. E., & Fisher, A. J. (2004). How to forecast long-run volatility: regime-switching and the estimation of multifractal processes. Journal of Financial Econometrics, 2(1), 49–83. DOI: 10.1093/jjfinec/nbh003 ↗
- Calvet, L. E., & Fisher, A. J. (2008). Multifractal Volatility: Theory, Forecasting, and Pricing. Academic Press. link ↗
- Lux, T. (2008). The Markov-switching multifractal model of asset returns: GMM estimation and linear forecasting of volatility. Journal of Business & Economic Statistics, 26(2), 194–210. DOI: 10.1198/073500107000000403 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Markov-Switching Multifractal Model. ScholarGate. https://scholargate.app/tr/time-series/markov-switching-multifractal
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
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır