BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Górka Joanna
Tytuł
Kurtoza w procesach generowanych przez model RCA GARCH
The Kurtosis of the RCA GARCH Process
Źródło
Prace i Materiały Wydziału Zarządzania Uniwersytetu Gdańskiego, 2007, nr 5, s. 577-589, tab., bibliogr. 14 poz.
Słowa kluczowe
Rynki finansowe, Rozkłady normalne, Szeregi czasowe, Modelowanie ekonometryczne, Model GARCH, Rozkład t-Studenta, Kurtoza
Financial markets, Normal distribution, Time-series, Econometric modeling, GARCH model, Student's t-distribution, Kurtosis
Uwagi
streszcz., summ.
Abstrakt
Przedstawiono teoretyczne wartości kurtozy procesu generowanego przez modele autoregresyjne z losowym parametrem (RCA), modele GARCH z innowacjami z rozkładu normalnego albo z rozkładu t-Studenta oraz modele GARCH z losowym parametrem (RCA GARCH). Podano również warunki konieczne istnienia kurtozy dla poszczególnych procesów. (fragment org. streszczenia)

This paper considers moment properties as well as kurtosis of the RCA models, GARCH models and RCA GARCH models. An ARMA representation is used to derive the kurtosis of the GARCH models with independent, identically distributed random variables with zero mean and unit variance. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Szkoły Głównej Handlowej w Warszawie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Bibliografia
Pokaż
  1. Appadoo S.S., Thavaneswaran A., Singh J., (2006), RCA models with correlated errors Applied Mathematics Letters 19, 824-829.
  2. Aue A. (2004), Strong approximation for RCA(l) time series with applications, Statistics & Probability Letters 68, 369-382.
  3. Bollerslev T. (1986), Generalized autoregressive conditional heteroscedasticity, Journal of Econometrics, 31, 307-327.
  4. Brzeszczyński J., R. Keim (2002),Ekonometryczne modele rynków finansowych. WIG-Press
  5. Engle R. F. (1982), Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation, Econometrica, 50, 987-1006.
  6. Doman, M., Doman, R. (2004), Ekonometryczne modelowanie dynamiki polskiego rynku finansowego, Wyd. AE w Poznaniu, Poznań.
  7. Ghysels E., Jasiak J., (l998), GARCH for Irregularly Spaced Financial Data: The ACD-GARCH Model, Studies in Nonlinear Dynamics and Econometrics, 2(4), 133-149.
  8. Górka J., (2007), Modele autoregresyjne z losowymi parametrami, w Osińska M. (red.), Procesy STUR. Modelowanie i zastosowanie do finansowych szeregów czasowych, Wydawnictwo "Dom Organizatora", Toruń.
  9. Hwang S.Y., Basawa I., Kim T.Y. (2006), Least squares estimation for critical random coefficient first-order autoregressive processes, Statistics & Probability Letters 76, 310-317.
  10. Lee S. (1998), Coefficient constancy test in a random coefficient autoregressive model Journal of Statistical Planning and Inference 74, 93-101.
  11. Nicholls D.F., Quinn B.C., (1982), Random Coefficient Autoregressive Models: An Introduction, in: Lecture Notes in Statistics, vol. 11, Springer, New York.
  12. Thavaneswaran A., Appadoo S.S., Peiris S., (2005), Forecasting volatility, Statistics & Probability Letters 75, 1-10.
  13. Thavaneswaran A., Appadoo S.S., Samanta M., (2005), Random coefficient GARCH models, Math. Comput. Modellingül, 723-733.
  14. Tsay R.S., (1987), Conditional Heteroscedastic Time Series Models Journal of the American Statistical Association, Vol. 82, No. 398, 590-604.
Cytowane przez
Pokaż
ISSN
1732-1565
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu