- Autor
- Majewska Justyna (Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach)
- Tytuł
- Metody odpornej estymacji dla modeli klasy GARCH
Robust Estimation Methods for GARCH Models - Źródło
- Studia i Prace Wydziału Nauk Ekonomicznych i Zarządzania / Uniwersytet Szczeciński, 2008, nr 10, s. 534-543, tab., bibliogr. 11 poz.
- Tytuł własny numeru
- Inwestowanie na rynku kapitałowym
- Słowa kluczowe
- Rozkład gruboogonowy, Estymacja, Modele ekonometryczne, Model GARCH
Heavy-tailed distribution, Estimation, Econometric models, GARCH model - Uwagi
- streszcz., summ..
- Abstrakt
- Modele GARCH są obecnie najczęściej stosowanymi modelami do prognozowania zmienności (volatility) w finansowych szeregach czasowych z uwagi na uwzględnianie grubych ogonów rozkładów stóp zmian czy zjawiska grupowania wariancji. Jednakże modele te nie są odporne na zmiany o charakterze szokowym czy interwencyjnym. W pracy zostały zaprezentowane wybrane odporne metody estymacji dla standardowego modelu GARCH, przedstawione po raz pierwszy przez Muler i Yohai (2007). Zostały one porównane z szeroko stosowaną metodą szacowania parametrów modelu GARCH - metodą quasi największej wiarygodności na przykładzie indeksu WIG20. Głównym celem pracy jest odpowiedź na pytanie czy pewne modyfikacje metody największej wiarygodności w przypadku warunkowej heteroskedastyczności dają lepsze wyniki w oparciu o odporne metody estymacji niż gaussowska QML estymacja.(abstrakt oryginalny)
The GARCH models are by now the most widely used models to forecast the timevarying volatility observed in many financial returns because they can be fitted to the financial data which have heavy-tailed distribution and volatility clustering. It appears, however, from some empirical studies that the GARCH model tends to provide poor volatility forecasts in the presence of additive outliers. To overcome the forecasting limitation in this paper we present two classes of robust estimates for GARCH models. We compare these robust estimates with the most popular - QML-estimate and the main question is: are robust estimates behave better than QML-estimates?(original abstract) - Dostępne w
- Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Szczecińskiego - Bibliografia
-
- Engle R. F., Bollerslev T., Modeling the Persistence of Conditional Variance. Econometric Review 1986.
- Franses P.H., Ghijsels E., Additive Outliers, GARCH and Forecasting Volatility. International Journal of Forecasting, 1999.
- Grossi L., Morelli G., Robust Volatility Forecasts and Model Selection in Financial Time Series, 2006.
- Harvey, A., Pierce R., Estimating missing observations in economic time series. Journal of the American Statistical Association 1984.
- Huber P.J., Robust Statistics, Wiley, N. Y. 1981.
- Jacquier E., Polson N.G, Rossi P.E., Bayesian analysis of stochastic volatility models. Journal Business and Economic Statistics 1994.
- Muler, N., Yohai V.J., Robust estimates for ARCH Processes, Time Series Analysis 2002.
- Muler, N., Yohai V.J., Robust Estimates for GARCH Models, Time Series Analysis 2007.
- Ostasiewicz W., Statystyczne metody analizy danych. Wydawnictwo AE im. Oscara Langego, Wrocław 1998.
- Park B., An outlier robust GARCH model and forecasting volatility of exchange rate returns. Journal of Forecasting, 2002.
- Rieder. H. , Ruckdeschel. P., Kohl M., Robust estimation for time series models based on infinitesimal neighborhoods, Working Paper ICORS, Vancouver 2002.
- Cytowane przez
- ISSN
- 1899-2382
- Język
- pol
