BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Kwiatkowski Jacek (Nicolaus Copernicus University in Toruń, Poland), Osińska Magdalena (Nicolaus Copernicus University in Toruń, Poland)
Tytuł
Forecasting STUR Processes : a Comparison to Threshold and GARCH Models
Źródło
Acta Universitatis Lodziensis. Folia Oeconomica, 2005, t. 190, s. 159-176, bibliogr. 25 poz.
Tytuł własny numeru
Macromodels 2004 : Problems of Building and Estimation of Econometic Models
Słowa kluczowe
Analiza szeregów czasowych, Model GARCH, Modele ekonometryczne, Modele prognostyczne, Modele stochastyczne, Test pierwiastka jednostkowego
Time-series analysis, GARCH model, Econometric models, Forecasting models, Stochastic models, Unit root test
Uwagi
streszcz., summ.
Abstrakt
Przedmiotem artykułu jest model ze stochastycznym pierwiastkiem jednostkowym (STUR), wyprowadzony przez Leyboume'a, McCabe'a i Tremayne'a (1996) oraz Grangera i Swansona (1997). Model opisujący proces ze stochastycznym pierwiastkiem jednostkowym należy do znanej, szerokiej klasy modeli ze zmiennymi w czasie parametrami. Zmienne w czasie parametry w tym modelu można opisać za pomocą procesu autoregresyjnego o średniej równej jeden. Badany proces posiada zatem w dłuższym horyzoncie czasowym jeden pierwiastek jednostkowy, lecz w krótszych podokresach może być albo stacjonarny, albo wybuchowy. Głównym celem artykułu jest porównanie własności prognostycznych modelu STUR z błędami typu GARCH z innymi modelami, mianowicie standardowymi modelami GARCH i SETAR. Testowano (pod kątem wystąpienia procesu STUR) i prognozowano tygodniowe stopy zwrotu spółek z sektora bankowego. Możliwość wystąpienia zmiennego pierwiastka jednostkowego wykryto w sześciu przypadkach na dziewięć. Dla prognoz najeden i pięć okresów w przód wykryto, że model STUR-GARCH dał dokładniejsze wyniki niż pozostałe modele w dwóch przypadkach na sześć. Dla 10-ciu okresów w przód prognozy uzyskane przy pomocy STUR-GARCH były lepsze w czterech przypadkach na sześć. Biorąc MAPĘ jako kryterium dokładności prognoz uzyskano również, podobnie jak w przypadku średniego błędu kwadratowego, dokładniejsze prognozy. Modele STUR-GARCH lepiej także przewidują przyszłe „wzrosty" i „spadki". (abstrakt oryginalny)

A model of interest is a stochastic unit root model (STUR), introduced by Leyboume, McCabe, Tremayne (1996) and Granger, Swanson (1997). Models describing stochastic unit root processes belong to a wide class of time-varying parameters models. The parameters of the models are followed by an autoregressive mechanism with mean equal to one, so the original series tend to possess one unit root in the long run, but in sub-periods may have either stationary, or explosive root. The paper focuses on forecasting financial returns, observed weekly, using different models representations, namely: STUR model, with heteroskedastic errors, standard GARCH model and SETAR model. First of all we tested whether weekly rates of returns can be considered as generated by the STUR process. Evidence supporting stochastic unit root hypothesis is found for six of nine series. The results of forecasting for one- and five-periods ahead is such that in two cases on six STUR-GARCH models gave better results, while for ten-periods ahead STUR-GARCH models were better in four cases on six. Taking MAPE values computed for ten-periods ahead forecast we observe similar out-performance of estimated STUR models like in the case of MSE criterion. The STUR-GARCH models were generally better in predicting the future 'rises' and 'falls'. (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. Bollerslev T., (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31.
  2. Baillie R. T., Bollerslev T., (1992). Prediction in Dynamic Models with Time - Dependent Conditional Variances, Journal of Econometrics, 52.
  3. Bruzda J., (2003). Procesy dwuliniowe i procesy GARCH w modelowaniu finansowych szeregów czasowych. Przegląd Statystyczny 2.
  4. Charemza W.W., Lifshits M., Makarova S., (2002). Conditional testing for unit-root bilinearity if financial time series: some theoretical and empirical results. Paper submitted to the 8 International Conference Computing in Economics and Finance, Aix-en Provence, June 2002.
  5. Clements M.P., Hendry D.F., (1999). Forecasting Non-stationary Economic Time Series. The MIT Press.
  6. Cuthbertson K.., Hall S.G., Taylor M.P., (1992). Applied Econometric Techniques. Philip Allan.
  7. Doman M., Doman R., (2004). Ekonometryczne modelowanie dynamiki polskiego rynku akcji. Wydawnictwo AE w Poznaniu.
  8. Durbin J., Koopman S.J, (2001). Time Series Analysis by State Space Models. Oxford University Press
  9. Gourieroux C, (1997). ARCH Models and Financial Applications. Springer-Verlag.
  10. Granger C.W.J., Swanson N.R., (1997). An introduction to stochastic unit-root process. Journal of Econometrics, 80.
  11. Granger C.W.J., T. Teräsvirta, (1993). Modelling Nonlinear Economic Relationships. Oxford University Press.
  12. Jeziorska-Pąpka M., Osińska M., Witkowski M., (2004). Forecasting returns using threshold models. In: Acta Universitatis Lodzienzis (forthcoming).
  13. Kim C-J., Nelson C. R., (1999). State-Space Models With Regime Switching: Classical and Gibbs- Sampling Approaches With Applications, MIT Press
  14. Kwiatkowski J., (2004). Maximum likelihood estimation of stochastic unit root models with G ARCH disturbances. In: Acta Universitatis Lodzienzis (forthcoming).
  15. Leybourne S.J., McCabe B.P.M., Mills T.C., (1996). Randomized unit root processes for modeling and forecasting financial time series: theory and applications. Journal of Forecasting 15.
  16. Leybourne S.J., McCabe B.P.M., Tremayne A.R., (1996). Can economic time series be differenced to stationarity? Journal of Business and Economic Statistics, 14.
  17. Maddala G.S., Kim I-М., (2002). Unit Roots, Cointegration and Structural Change. Cambridge University Press.
  18. McCabe B.P.M., Tremayne A.R., (1995). Testing a time series for difference stationarity. Annals of Statistics, 23.
  19. Mills T.C., (2002). The Econometric Modelling of Financial Time Series. Cambridge University Press.
  20. Nicholls D.F., Quinn B.G., (1982). Random Coefficient Autoregressive Models: An Introduction. Lecture Notes in Statistics, 11. Springer-Verlag.
  21. Osińska M., (2003). Stochastic unit roots processes -properties and application. Paper presented at XXX International Conference MACROMODELS, Warsaw 2003.
  22. Taylor A.M.R, van Dijk D., (1999). Testing for Stochastic Unit Roots. Some Monte Carlo Evidence. Econometric Institute Research Report EI-9922/A.
  23. Soliis R., Leybourne S.J., Newbold P., (2000). Stochastic unit roots modeling of stock price indices. Applied Financial Economics 10.
  24. Tong, H., (1990). Non-linear time series, Oxford Science Publications. New York.
  25. Tsay R. S., (2002). Analysis of Financial Time Series. Wiley.
Cytowane przez
Pokaż
ISSN
0208-6018
Język
eng
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu