MerQuR+Başvuru Kitabı

98. Dinamik koşullu korelasyon: DCC-GARCH ve aDCC

Şablon kimliği: dcc_garch · Kategori: zaman serisi · Dil: R · Dosya: pro/sablonlar/zaman_serisi/dcc_garch.R (satır 1–231; üstbilgi 1–125) · Örnek veri: _ornek/dji30retw.csv · Paketler: rmgarch 1.4-3, rugarch 1.5-6

98.1 Ne işe yarar

Şablon, 2–10 getiri serisinin koşullu varyanslarını ve aralarındaki koşullu korelasyonları zamanla değişen biçimde kestirir. Cevapladığı soru şudur: "Bu varlıkların oynaklığı kümelenerek değişirken birbirleriyle korelasyonları sabit mi, yoksa zamanla (özellikle kriz dönemlerinde) artıp azalıyor mu?" Model, Engle'nin (2002) iki aşamalı DCC modelidir: önce her seri için tek değişkenli bir GARCH ailesi modeli kestirilir; ardından standartlaştırılmış artıklardan, korelasyon hedeflemeli DCC(a,b) ya da asimetrik aDCC (Cappiello ve ark., 2006) korelasyon dinamiği kestirilir. Sonuç, her dönem için bir korelasyon matrisi \mathbf R_t ve her seri için bir koşullu standart sapma \sigma_{it}'dir; kovaryans \mathbf H_t=\mathbf D_t\mathbf R_t\mathbf D_t ile kurulur.

Ne zaman kullanılır?

  • Portföy riski, riske maruz değer ya da korunma oranı için zamana göre değişen korelasyon gerektiğinde.
  • Yayılma (bulaşma) sorusunda: kriz dönemlerinde korelasyonun yükselip yükselmediğini görmek için.
  • Seri sayısı küçük (en çok 10) ve her seri için bir GARCH modeli makul olduğunda.

Ne zaman kullanılmaz?

  • Tek serinin oynaklığı için: garch_genis şablonu (GARCH-M, IGARCH, TGARCH, NAGARCH, ARMA ortalama, dışsal açıklayıcı, model karşılaştırması içerir) ya da temel programdaki "GARCH (Volatility Model)" analizi.
  • Oynaklık yayılması (bir serinin varyansının ötekilere aktarımı) soruluyorsa: bu model yalnız korelasyonu dinamik yapar; varyanslar birbirinden bağımsız tek değişkenli GARCH'lardır.
  • Seri sayısı çok büyükse (onlarca): korelasyon hedeflemeli DCC'de iki parametre (a,b) bütün çiftleri aynı dinamikle sürer; şablon 10 seriyle sınırlıdır.
  • Getiri yerine fiyat düzeyi veriliyorsa: şablon büyük değerler için uyarı verir (156); getiriye (yüzde ya da log) çevrilmelidir. Zaman sütunu azalan sırada görünüyorsa da uyarı yazılır (144–151).
  • Seriler arası doğrusal ortalama ilişkisi (VAR, hata düzeltme) soruluyorsa: temel programdaki "VAR (Vector Autoregression)" ve "Cointegration (Johansen / Engle-Granger)" analizleri; bu şablonun ortalama denklemi her seride kendi içindedir.

Temel programla ilişki. Temel programdaki "GARCH (Volatility Model)" analizi tek serilidir (standart GARCH, EGARCH ve GJR-GARCH; sabit ya da ARMA(1,1) ortalama; normal ya da Student t) ve aynı rugarch kurallarıyla (başlangıç varyansı, bilgi ölçütlerinin gözlem başına yazımı) çalışır. Bu şablonun birinci aşaması o modellerin çok serili ve IGARCH ile APARCH'ı da kapsayan karşılığıdır; ikinci aşama (DCC) temel programda yoktur.

98.2 Şablonun girdileri

Form, üstbilgideki 15 [[param]] bloğundan kurulur (dcc_garch.R:10–124). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Getiri serileri · getiri sütunlar (sayısal, ≥2) · Değişkenler yok 2–10 sayısal sütun Modelin serileri (10–16, 133–137).
Zaman etiketi · zaman sütun (isteğe bağlı) · Değişkenler boş herhangi sütun Yalnız etiket; sıralama yapılmaz (17–22, 132, 138).
Ortalama denklemi · ortalama seçim · Model sabit sabit, sifir, ar1 Her seride ortalama: sabit; sıfır; AR(1)+sabit (23–29, 159–160).
Tek değişkenli varyans modeli · tek_degiskenli seçim · Model sGARCH sGARCH, gjrGARCH, eGARCH, iGARCH, apARCH 1. aşama varyans denklemi (30–37, 168). iGARCH seçilirse şablon iletiyle durur (158).
Korelasyon dinamiği · dcc_model seçim · Model DCC DCC, aDCC 2. aşama (38–44, 169).
Çok değişkenli dağılım · dagilim seçim · Model mvnorm mvnorm, mvt, mvlaplace 2. aşama dağılımı (45–51, 169).
ARCH terimi sayısı · garch_p tamsayı · Model 1 0–3 garchOrder[1], her seri için (52–60, 161).
GARCH terimi sayısı · garch_q tamsayı · Model 1 0–3 garchOrder[2] (61–69, 161).
Tek değişkenli yenilik dağılımı · tek_dagilim seçim · Model norm norm, std, ged, snorm, sstd 1. aşama dağılımı (70–76, 163).
DCC yenilik terimi sayısı · dcc_a tamsayı · Model 1 1–3 dccOrder[1] (78–86, 164).
DCC kalıcılık terimi sayısı · dcc_b tamsayı · Model 1 1–3 dccOrder[2] (87–95, 164).
Çözücü · cozucu seçim · Gelişmiş solnp solnp, nlminb, lbfgs, gosolnp dccfit(solver=) (96–103, 165).
Göreli tolerans · tol ondalık · Gelişmiş 10^{-10} 10^{-15}–10^{-3} Yalnız solnp ve gosolnp (104–111, 166, 173).
Sayısal türev adımı · delta ondalık · Gelişmiş 10^{-9} 10^{-15}–10^{-3} Yalnız solnp ve gosolnp (112–119, 166, 173).
Standart hataları hesapla · sh_hesapla onay · Gelişmiş açık açık/kapalı eval.se; kapalıysa SH, z ve p boş kalır (120–126, 167, 172).

Şablonun kendi denetimleri.

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 131
2'den az farklı seri "En az iki farklı getiri serisi seçin." 134
10'dan çok seri "En çok 10 seri seçilebilir." 135
Tam gözlem sayısı 100'den az "DCC-GARCH için en az 100 tam gözlem gerekli (şu an …)." 154
Bir seri sabit "'…' serisi sabit." 155
ARCH ve GARCH mertebesi ikisi birden 0 "ARCH ve GARCH mertebelerinin ikisi birden 0 olamaz." 162
Kestirim hatası "Model kestirilemedi: …" 174
Çözücü yakınsamadı ya da SH matrisi yok "Model yakınsamadı; daha az seri ya da daha yalın bir model deneyin." 176–177

iGARCH seçilirse şablon "IGARCH bu şablonda desteklenmez" iletisiyle durur (158); serilerin ortasında eksik değer varsa da durur (142). Bir mutlak getiri 5'i aşarsa şablon durmaz, "getiriler çok büyük görünüyor; yüzde ya da log getiri olarak verildiğinden emin olun" uyarısını yazar (156). Paket uyarıları kestirim sırasında toplanır ve sonda "Uyarılar:" satırı olarak yazılır (170–175, 221).

Örnek ayar (ornek_param, satır 9): getiri = [AA, IBM, T], zaman = tarih, ortalama = sabit, tek_degiskenli = sGARCH, dcc_model = DCC, dagilim = mvnorm; öteki alanlar varsayılandadır (GARCH(1,1), DCC(1,1), norm, solnp).

98.3 Örnek veri

dji30retw.csv: rmgarch paketinin Dow Jones 30 haftalık getiri verisi. 1141 haftalık gözlem (1987-03-27–2009-01-30), yedi hisse (AA, AXP, BA, GE, HPQ, IBM, T), eksik değer yok; getiriler ondalık (yüzde değil) basit getirilerdir. Örnek ayar üç seriyi kullanır.

Değişken Rol Tür (veri sekmesinin algıladığı) Özet
tarih zaman etiketi metin 1987-03-27 … 2009-01-30
AA getiri sayısal ortalama 0,00073; s.s. 0,05225; aralık −0,5364 … 0,2429
IBM getiri sayısal ortalama 0,00117; s.s. 0,03970; aralık −0,1942 … 0,1770
T getiri sayısal ortalama 0,00159; s.s. 0,03707; aralık −0,2106 … 0,2513

Ham getirilerin ikili korelasyonları: AA–IBM 0,3406; AA–T 0,2428; IBM–T 0,2315. Serilerin sırası, çıktı tablolarındaki sütun sırasını (AA, IBM, T) ve çiftlerin adlandırmasını belirler (AA~IBM, AA~T, IBM~T).

Bölümde kullanılan çalıştırmalar:

  1. Örnek ayar (dcc_ornek): GARCH(1,1), DCC(1,1), mvnorm.
  2. aDCC (dcc_adcc): dcc_model = aDCC.
  3. GJR-GARCH + mvt + Student t (dcc_mvt) ve AR(1) ortalamalı dört seri (dcc_ar1, AA, IBM, T, BA).
  4. Çözücü ve dağılım denemeleri: nlminb, gosolnp, DCC(2,1), mvlaplace, tek değişkenli ged/sstd.
  5. Bozuk veri denemeleri: ortada eksik, azalan sıra, yüzde ölçeği, aynı iki seri.

98.4 Yöntem: formüller ve hesap adımları

Hesap sırası: (1) seriler seçilir, eksik gözlemli satırlar atılır; (2) her seri için tek değişkenli GARCH kestirilir ve standartlaştırılmış artıklar \mathbf z_t bulunur; (3) \bar{\mathbf Q} (ve aDCC'de \bar{\mathbf N}) bu artıklardan hesaplanır; (4) (a,b) (aDCC'de (a,b,g)) ikinci aşama olabilirliğiyle kestirilir; (5) \mathbf Q_t, \mathbf R_t ve \mathbf H_t kurulur; (6) iki aşamalı kestirimin sandviç standart hataları bulunur; (7) tablolar ve şekil.

Koddaki tercih

Şablon bütün modellemeyi rmgarch'a bırakır: ugarchspec (tek değişkenli spesifikasyon, her seri için aynı), multispec(replicate(k, us)), dccspec(..., dccOrder, model, distribution) ve dccfit(sp, data, solver, fit.control = list(eval.se), solver.control). Çıktılar rcor(fit) (koşullu korelasyonlar), sigma(fit) (koşullu s.s.), fit@mfit$Qbar, likelihood(fit) ve infocriteria(fit) ile alınır. Bütün seriler aynı spesifikasyonu (ortalama, varyans modeli, mertebe, dağılım) paylaşır; seri başına ayrı model kurulamaz.

98.4.1 Veri hazırlığı

Seçilen sütunlar sayısala çevrilir; bütün serilerin sonlu olduğu ilk ve son satır bulunur (139–141) ve bu aralık kullanılır:

\mathcal T=\{t_{\text{ilk}},\dots,t_{\text{son}}\},\qquad n=|\mathcal T|
  • Aralığın ortasında eksik ya da sonlu olmayan değer varsa şablon durur (142): satır atmak zaman ekseninde boşluk bırakır ve GARCH özyinelemesini bozar. Eksikler doldurulmalı ya da örneklem kısaltılmalıdır.
  • Baştaki ve sondaki eksik satırlar kırpılır ve atılan satır sayısı bir not satırıyla yazılır (143, 152).
  • Zaman sütunu seçiliyse ve değerleri (sayı ya da tarih) çoğunlukla azalıyorsa şablon uyarı yazar; model zamanın tersine kestirilmesin diye veri eskiden yeniye sıralanmalıdır (144–151).
  • n<100 ise şablon durur (154).

98.4.2 Birinci aşama: tek değişkenli GARCH

Her seri için ortalama ve koşullu varyans denklemleri ayrı kestirilir. Ortalama denklemi ortalama seçimine göre

y_{it}=\mu_i+\varepsilon_{it}\quad(\text{sabit}),\qquad y_{it}=\varepsilon_{it}\quad(\text{sıfır}),\qquad y_{it}=\mu_i+\phi_iy_{i,t-1}+\varepsilon_{it}\quad(\text{ar1}),\qquad \varepsilon_{it}=\sigma_{it}z_{it}

ve varyans denklemi (garch_p =p, garch_q =q; varsayılan (1{,}1)) için standart GARCH

\sigma_{it}^2=\omega_i+\sum_{l=1}^{p}\alpha_{il}\,\varepsilon_{i,t-l}^2+\sum_{l=1}^{q}\beta_{il}\,\sigma_{i,t-l}^2
  • \omega_i>0, \alpha_{il},\beta_{il}\ge0; kalıcılık \sum\alpha+\sum\beta<1 olmalıdır (rugarch standart GARCH'ta bu kısıtı koyar).
  • GJR-GARCH, EGARCH, IGARCH ve APARCH denklemleri Bölüm 102'de verilmiştir; burada yalnız seçim sunulur.
  • z_{it}: standartlaştırılmış yenilik; dağılımı tek_dagilim (normal, Student t, GED, çarpık normal, çarpık Student t; Fernández ve Steel, 1998 çarpıklığı).

rugarch varyans özyinelemesini ilk gözlemde \sigma_{i1}^2=\tfrac1n\sum_t\varepsilon_{it}^2 (artık karelerinin örneklem ortalaması) ile başlatır ve t=2'den sürdürür. Birinci aşama olabilirliği tek değişkenli log-olabilirliklerin toplamıdır: \ell_1=\sum_i\sum_t\{-\tfrac12(\ln2\pi+\ln\sigma_{it}^2+\varepsilon_{it}^2/\sigma_{it}^2)\} (normal dağılım için).

98.4.3 Standartlaştırılmış artıklar ve \bar{\mathbf Q}

z_{it}=\frac{\hat\varepsilon_{it}}{\hat\sigma_{it}},\qquad \bar{\mathbf Q}=\widehat{\mathrm{Cov}}(\mathbf z)=\frac1{n-1}\sum_{t=1}^n(\mathbf z_t-\bar{\mathbf z})(\mathbf z_t-\bar{\mathbf z})',\qquad \bar{\mathbf R}=\operatorname{diag}(\bar{\mathbf Q})^{-1/2}\,\bar{\mathbf Q}\,\operatorname{diag}(\bar{\mathbf Q})^{-1/2}
  • \bar{\mathbf Q}: standartlaştırılmış artıkların örneklem kovaryans matrisidir (cov(stdresid); 143 kaynaklı fit@mfit$Qbar). Köşegeni tam 1 değildir (örnekte 0{,}9987;\ 0{,}9970;\ 1{,}0015).
  • \bar{\mathbf R}: \bar{\mathbf Q}'nun korelasyona ölçeklenmişidir; şablonun "Koşulsuz korelasyon" tablosu budur (208–210).
  • "Hedefleme": uzun dönem korelasyon \bar{\mathbf R}'dan gelir, (a,b) onun etrafındaki dinamiği belirler.

98.4.4 DCC ve aDCC özyinelemesi

DCC(1{,}1) (varsayılan) için \mathbf Q_t yarı-tanımlı bir ara matristir:

\mathbf Q_t=(1-a-b)\,\bar{\mathbf Q}+a\,\mathbf z_{t-1}\mathbf z_{t-1}'+b\,\mathbf Q_{t-1},\qquad \mathbf R_t=\operatorname{diag}(\mathbf Q_t)^{-1/2}\,\mathbf Q_t\,\operatorname{diag}(\mathbf Q_t)^{-1/2}
  • a\ge0: yenilik (şok) katsayısı; b\ge0: kalıcılık; a+b<1.
  • \mathbf R_t: dönem t koşullu korelasyon matrisi; \mathbf H_t=\mathbf D_t\mathbf R_t\mathbf D_t, \mathbf D_t=\operatorname{diag}(\sigma_{1t},\dots,\sigma_{kt}).
  • Başlangıç: rmgarch \mathbf Q_0=\bar{\mathbf Q} ve öncül şok vektörü \mathbf z_0=(1,\dots,1)' alır; yani \mathbf Q_1=(1-a)\bar{\mathbf Q}+a\,\mathbf 1\mathbf 1'. Bu nedenle ilk dönem korelasyonu \bar{\mathbf R}'dan farklıdır (örnek: AA–IBM için 0{,}3402 ve 0{,}3269).
  • dcc_a ve dcc_b 1'den büyükse toplamlar \sum_{j}a_j\mathbf z_{t-j}\mathbf z_{t-j}' ve \sum_jb_j\mathbf Q_{t-j} olur.

Asimetrik aDCC'de negatif şoklar ayrıca ağırlıklandırılır:

\mathbf Q_t=\bar{\mathbf Q}-a\bar{\mathbf Q}-b\bar{\mathbf Q}-g\bar{\mathbf N}+a\,\mathbf z_{t-1}\mathbf z_{t-1}'+g\,\mathbf n_{t-1}\mathbf n_{t-1}'+b\,\mathbf Q_{t-1},\qquad n_{it}=z_{it}\,\mathbb 1[z_{it}<0]
  • g: asimetri katsayısı; \bar{\mathbf N}=\widehat{\mathrm{Cov}}(\mathbf n) (kovaryans, merkezlenmiş).
  • Başlangıçta \mathbf n_0=(1,\dots,1)' da alınır (negatif kısma kırpılmaz); bu, bağımsız hesapta aDCC log-olabilirliğini (6384{,}914) yeniden üreten tek tanımdır.

Kovaryans ve ikinci moment

Cappiello ve ark. (2006) \bar{\mathbf N} için E[\mathbf n\mathbf n']'yi (merkezlenmemiş ikinci moment) tanımlar; rmgarch ve dolayısıyla bu şablon cov() (merkezlenmiş) kullanır. Aynı olabilirlik \bar{\mathbf N}=E[\mathbf n\mathbf n'] ile yaklaşık 0{,}4 birim daha büyük çıkar (örnekte 6385{,}36 ve 6384{,}91); parametre kestirimleri buna göre kayar.

98.4.5 İkinci aşama olabilirliği ve ortak log-olabilirlik

mvnorm altında ikinci aşama olabilirliği, \mathbf z_t'nin korelasyon yapısından gelen kısımdır:

\ell_2(a,b)=-\frac12\sum_{t=1}^n\Big\{\ln|\mathbf R_t|+\mathbf z_t'\mathbf R_t^{-1}\mathbf z_t-\mathbf z_t'\mathbf z_t\Big\},\qquad \ell=\ell_1+\ell_2
  • (a,b) yalnız \ell_2'de yer alır; \ell_1 birinci aşama parametrelerinin sabit olduğu bir sabit gibi davranır (iki aşamalı kestirim).
  • likelihood(fit) (rapordaki "logLik") \ell=-\tfrac12\sum_t\{k\ln2\pi+\ln|\mathbf H_t|+\boldsymbol\varepsilon_t'\mathbf H_t^{-1}\boldsymbol\varepsilon_t\} çok değişkenli normal log-olabilirliğidir.
  • "Model uyumu" tablosunun son satırı "logLik_birinci_asama", kestirilen tek değişkenli parametrelerle her serinin kendi log-olabilirliğinin toplamıdır, yani \ell_1 (örnekte 6260{,}28; 189–197).

Tek değişkenli dağılım ve ortak log-olabilirlik

dagilim = mvnorm iken ortak log-olabilirlik, tek değişkenli yenilik dağılımı (tek_dagilim) Student t ya da GED olsa bile yukarıdaki Gauss formülüyle hesaplanır (örnekte GED için 6383{,}01, Student t için 6380{,}18; normal için 6383{,}73; üçü de aynı Gauss formülünden). Bu nedenle bu log-olabilirlik ve ondan türeyen bilgi ölçütleri, tek değişkenli yenilik dağılımları arasında seçim için kullanılamaz; bu seçim için "logLik_birinci_asama" satırı kullanılır (Student t için 6363{,}90, GED için 6340{,}37, normal için 6260{,}28).

98.4.6 Standart hatalar ve bilgi ölçütleri

Standart hatalar iki aşamalı kestirimin sandviç tahmincisidir: \widehat{\mathrm{Var}}(\hat{\boldsymbol\theta})=\mathbf A^{-1}\mathbf B\mathbf A^{-1}/n. \mathbf A'nın birinci aşama blokları her serinin kendi kovaryans matrisinin tersidir, DCC satırları sayısal Hessian'dan gelir; \mathbf B birinci aşama skorları ile DCC skorlarının (sayısal türevle) örneklem kovaryansıdır (rmgarch dccfit). Tablodaki z=\hat\theta/\widehat{\mathrm{SH}} ve p=2\Phi(-|z|)'dir (183, 186). sh_hesapla kapalıysa bu hesap atlanır.

Bilgi ölçütleri rugarch tanımıyla gözlem başına yazılır:

\mathrm{AIC}=\frac{-2\ell+2r}{n},\quad \mathrm{BIC}=\frac{-2\ell+r\ln n}{n},\quad \mathrm{Shibata}=\frac{-2\ell}{n}+\ln\frac{n+2r}{n},\quad \mathrm{HQ}=\frac{-2\ell+2r\ln\ln n}{n}
  • r: parametre sayısı. rmgarch bunu birinci aşama parametreleri, DCC parametreleri ve kestirilen k(k-1)/2 koşulsuz korelasyonun toplamı olarak sayar (örnek: 12+2+3=17).
  • "Model uyumu" tablosu r'yi göstermez; log-olabilirlik, dört ölçüt, n ve birinci aşama log-olabilirliği yazılır (205).

98.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–125 Üstbilgi: 15 parametre, örnek veri ve ayar.
128–129 Dil yardımcısı .m; rugarch ve rmgarch yüklenir.
131–156 Veri denetimleri; sayısal matris X; eksik satırların atılması; n, k; n<100, sabit seri ve büyük getiri denetimleri. Ortada eksik hata (142); baştaki ve sondaki eksik kırpılır (143, 152); azalan zaman sırası uyarısı (144–151); IGARCH hata (158).
159–167 Ayarların okunması: ortalama, mertebeler, dağılımlar, çözücü, tolerans, SH bayrağı. garch_p + garch_q = 0 hata.
168–169 ugarchspec ve dccspec: tek spesifikasyon bütün serilere kopyalanır.
170–177 dccfit, hata ve uyarı yakalama; yakınsama denetimi. fit@mfit$convergence != 0 ya da SH matrisi yoksa durur (176).
178–186 Katsayı tablolarının ayrıştırılması: "[Seri].parametre" adları; "[Joint]" öneki olan satırlar DCC parametreleridir. z, p normal dağılımdan.
187–205 Ortak log-olabilirlik, bilgi ölçütleri, konsol satırı, ilk üç tablo.
206–212 \bar{\mathbf R} ve son dönem \mathbf R_n tabloları. \bar{\mathbf Q}'dan \bar{\mathbf R} elle ölçeklenir (207–208).
213–220 Koşullu korelasyon ve koşullu s.s. serisi tablosu (çift başına bir sütun). AA~IBM biçiminde adlar.
194 Toplanan paket uyarıları.
223–231 Şekil: ilk altı çiftin koşullu korelasyonu. Çift sayısı 6'dan çoksa yalnız ilk 6 çizilir (223).

Kritik bölüm, kestirim ve yakınsama denetimidir:

fit <- withCallingHandlers(
  tryCatch(dccfit(sp, data = X, solver = coz, fit.control = list(eval.se = ese),
                  solver.control = if (coz %in% c("solnp", "gosolnp")) list(tol = tol, delta = dlt, trace = 0) else list(trace = 0)),
           error = function(e) mq_hata(...)),
  warning = function(w) { uyari <<- c(uyari, conditionMessage(w)); invokeRestart("muffleWarning") })
if (!inherits(fit, "DCCfit") || is.null(fit@mfit$matcoef) || fit@mfit$convergence != 0) mq_hata(...)

Çözücü uyarıları durdurulmadan toplanır; şablonun tek yakınsama denetimi ikinci aşamanın yakınsama koduyla SH matrisinin varlığıdır. Birinci aşama kestirimlerinin kalitesi ya da çözücünün bulduğu noktanın en iyi olup olmadığı ayrıca denetlenmez (98.8).

98.6 Elle hesap: örnek veride bağımsız yeniden hesap

Hesap dogrulama/dcc_garch/elle_hesap.py ile yapılmıştır: yalnız numpy ve scipy kullanılmış, rugarch ve rmgarch çağrılmamıştır (birinci aşama \to \bar{\mathbf Q} \to \mathbf Q_t \to \mathbf R_t \to ortak olabilirlik; en iyilemeyi Nelder–Mead yapar). r_dogrulama.R aynı hesabı düz R ile ve optim ile yeniden yapar; rmgarch yalnız nlminb çözücüsünün tutarlılığı için sonda çağrılır. İki doğrulama düzeyi vardır: (i) şablonun kestirdiği parametrelerde bütün türetilmiş büyüklükler 10^{-6} içinde yeniden hesaplanır; (ii) kestirimin kendisi sıfırdan yinelenir ve parametreler karşılaştırılır.

Adım 1 — Birinci aşama. Her seri için normal GARCH(1,1), \sigma_1^2=\overline{\varepsilon^2} başlangıcıyla en çok olabilirlikle kestirilir. AA: \hat\mu=0{,}00268002, \hat\omega=6{,}78097\cdot10^{-5}, \hat\alpha=0{,}116375, \hat\beta=0{,}867510; IBM: 0{,}00112339; 2{,}81056\cdot10^{-5}; 0{,}0645510; 0{,}920173; T: 0{,}00294423; 1{,}50992\cdot10^{-5}; 0{,}0657501; 0{,}925611.

Adım 2 — Standartlaştırılmış artıklar ve \bar{\mathbf Q}. \bar{\mathbf Q} köşegeni 0{,}998712;\ 0{,}996967;\ 1{,}001490, dışı köşegenleri 0{,}326208 (AA–IBM), 0{,}202005 (AA–T), 0{,}202735 (IBM–T). Ölçeklenince \bar{\mathbf R}: 0{,}326915;\ 0{,}201984;\ 0{,}202892.

Adım 3 — İlk dönem. \mathbf Q_1=(1-a)\bar{\mathbf Q}+a\,\mathbf 1\mathbf 1' ile a=0{,}0197477: AA–IBM 0{,}340235, AA–T 0{,}217742, IBM–T 0{,}218645.

Adım 4 — Özyineleme. n=1141 döneme uygulanır; son dönem (2009-01-30) korelasyonları AA–IBM 0{,}561647, AA–T 0{,}587343, IBM–T 0{,}493704. Son dönem koşullu standart sapmalar 0{,}159951;\ 0{,}0568219;\ 0{,}0601437 (ilk dönem 0{,}0522623;\ 0{,}0396815;\ 0{,}0370790).

Adım 5 — Ortak log-olabilirlik. \ell_1=6260{,}2792, \ell_2=123{,}4549, toplam \ell=6383{,}7342. Parametre sayısı r=12+2+3=17; Akaike -11{,}15992, Bayes -11{,}08483, Shibata -11{,}16035, Hannan–Quinn -11{,}13156.

Adım 6 — Kestirimin yinelenmesi. Sıfırdan en iyileme: birinci aşama parametreleri şablonunkilerle 10^{-5} göreli içinde; ikinci aşamada (\hat a,\hat b)=(0{,}0197065;\ 0{,}968945), şablon (0{,}0197477;\ 0{,}968812). İkinci aşama olabilirliği bu düzlükte çok düzdür: bağımsız optimum \ell_2'yi 10^{-4} kadar büyütür; çıplak bir dccfit(solver = "nlminb") çağrısı şablonun solnp sonucunu yineler (şablonun kendi nlminb ayarındaki sapma için 98.8).

Adım 7 — aDCC. Şablon (\hat a,\hat b,\hat g)=(0{,}0162013;\ 0{,}970874;\ 0{,}00709705), \ell=6384{,}914. Bu parametrelerde bağımsız hesap aynı log-olabilirliği (6384{,}914) ve son dönem korelasyonlarını (0{,}5861;\ 0{,}6201;\ 0{,}5192) verir; sıfırdan yineleme (0{,}0161819;\ 0{,}970989;\ 0{,}00701546) bulur.

Adım 8 — Standart hatalar (bilgi). Yalnız ikinci aşama Hessian'ından (birinci aşama belirsizliği yok sayılarak) saf SH: a için 0{,}00465, b için 0{,}00981. Şablonun sandviç SH'leri 0{,}00584 ve 0{,}01167'dir: aynı büyüklük düzeyinde, sandviç daha geniş. Sandviç SH'ler bu bölümde bağımsız yeniden hesaplanmamıştır.

98.6.1 Doğrulama: MerQuR+, Python ve R

MerQuR+ sütunu "Model uyumu", "Koşulsuz korelasyon", "Son dönemdeki koşullu korelasyon" ve "Koşullu korelasyonlar ve koşullu standart sapmalar" tablolarından tam hassasiyetle alınmıştır. Python ve R sütunları şablonun kestirdiği parametrelerde bağımsız olarak değerlendirilmiş büyüklüklerdir; zaman serilerinde 1141 dönemin en büyük farkı verilmiştir.

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
log-olabilirlik (ortak) 6383,73415614 6383,73415614 6383,73415614 1,1e−15 ✓
Akaike (gözlem başına) −11,15991964 −11,15991964 −11,15991964 6,4e−16 ✓
Bayes (gözlem başına) −11,08483268 −11,08483268 −11,08483268 2,2e−15 ✓
Shibata (gözlem başına) −11,16035499 −11,16035499 −11,16035499 1,6e−15 ✓
Hannan–Quinn (gözlem başına) −11,13156466 −11,13156466 −11,13156466 5,6e−15 ✓
Koşulsuz korelasyon \bar R: AA~IBM 0,32691475 0,32691475 0,32691475 2,2e−16 ✓
Koşulsuz korelasyon \bar R: AA~T 0,20198432 0,20198432 0,20198432 8,3e−17 ✓
Koşulsuz korelasyon \bar R: IBM~T 0,20289192 0,20289192 0,20289192 1,1e−16 ✓
Son dönem koşullu korelasyon: AA~IBM 0,56164718 0,56164718 0,56164718 1,1e−16 ✓
Son dönem koşullu korelasyon: AA~T 0,58734336 0,58734336 0,58734336 1,1e−15 ✓
Son dönem koşullu korelasyon: IBM~T 0,49370447 0,49370447 0,49370447 1,0e−15 ✓
İlk dönem koşullu korelasyon: AA~IBM 0,34023488 0,34023488 0,34023488 2,2e−16 ✓
İlk dönem koşullu korelasyon: AA~T 0,21774177 0,21774177 0,21774177 2,5e−16 ✓
İlk dönem koşullu korelasyon: IBM~T 0,21864495 0,21864495 0,21864495 1,9e−16 ✓
Son dönem koşullu s.s.: AA 0,15995064 0,15995064 0,15995064 2,8e−17 ✓
Son dönem koşullu s.s.: IBM 0,05682191 0,05682191 0,05682191 9,7e−17 ✓
Son dönem koşullu s.s.: T 0,06014369 0,06014369 0,06014369 1,3e−16 ✓
Koşullu korelasyon serisi AA~IBM: 1141 dönemin en büyük farkı 0,56164718 0,56164718 — 1,3e−15 ✓
Koşullu korelasyon serisi AA~T: 1141 dönemin en büyük farkı 0,58734336 0,58734336 — 1,8e−15 ✓
Koşullu korelasyon serisi IBM~T: 1141 dönemin en büyük farkı 0,49370447 0,49370447 — 1,6e−15 ✓
Koşullu s.s. serileri: 3×1141 değerin en büyük farkı 0,15995064 0,15995064 — 9,4e−16 ✓
aDCC: log-olabilirlik 6384,9139841 6384,9139841 6384,9139841 8,5e−16 ✓
aDCC: son dönem koşullu korelasyon AA~IBM 0,5861245 0,5861245 0,5861245 2,0e−15 ✓
aDCC: son dönem koşullu korelasyon AA~T 0,62012747 0,62012747 0,62012747 2,1e−15 ✓
aDCC: son dönem koşullu korelasyon IBM~T 0,51920277 0,51920277 0,51920277 2,0e−15 ✓

Ölçütü karşılayan: 25/25. Bu satırlar şablonun kestirdiği parametrelerde bağımsız olarak değerlendirilmiş büyüklüklerdir (kestirimin kendisi aşağıda).

Kestirimin bağımsız yinelenmesi (Python ve R'de Nelder–Mead ile sıfırdan; ölçüt: 1. aşama parametrelerinde 5\cdot10^{-4}, 2. aşama (a,b) için 5\cdot10^{-3} göreli; 2. aşama olabilirliği çok düz):

Parametre MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
AA: mu 0,00268002 0,00268002 0,00268002 2,5e−7 ✓
AA: omega 6,781014·10−5 6,780970·10−5 6,780970·10−5 6,6e−6 ✓
AA: alpha1 0,11637462 0,11637465 0,11637466 3,4e−7 ✓
AA: beta1 0,86750972 0,86750992 0,86750992 2,4e−7 ✓
IBM: mu 0,00112338 0,00112339 0,00112339 1,4e−5 ✓
IBM: omega 2,810553·10−5 2,810564·10−5 2,810562·10−5 3,8e−6 ✓
IBM: alpha1 0,06455074 0,06455097 0,06455097 3,6e−6 ✓
IBM: beta1 0,92017305 0,92017279 0,92017281 2,9e−7 ✓
T: mu 0,00294426 0,00294423 0,00294423 1,0e−5 ✓
T: omega 1,509934·10−5 1,509923·10−5 1,509923·10−5 7,4e−6 ✓
T: alpha1 0,06575048 0,0657501 0,06575009 5,9e−6 ✓
T: beta1 0,92561041 0,92561083 0,92561084 4,6e−7 ✓
dcca1 0,01974774 0,0197065 0,0197065 2,1e−3 ✓
dccb1 0,96881211 0,96894464 0,96894465 1,4e−4 ✓

Ölçütü karşılayan: 14/14. 2. aşama olabilirliği düzdür: bağımsız en iyileme (a,b)=(0{,}0197065;\,0{,}96894464) noktasında şablonunkinden 10^{-4} kadar daha büyük bir olabilirliğe ulaşır. Aynı veride rmgarch'ın nlminb çözücüsü şablonun solnp çözümünü yineler (a=0{,}01974779, b=0{,}96881192).

Standart hatalar. Şablonun SH'si rmgarch'ın iki aşamalı sandviç tahmincisidir; bu bölümde ayrıca yeniden hesaplanmamıştır. Yalnız 2. aşama Hessian'ından (1. aşama belirsizliği yok sayılarak) saf SH: a için 0,00465181, b için 0,00980772; şablonun sandviç SH'si 0,00584273 ve 0,01166591 (aynı büyüklük düzeni, sandviç daha geniş).

98.7 Çıktıyı okuma

Örnek ayarın konsol metni:

n = 1141 dönem, 3 seri; sGARCH + DCC(1,1), mvnorm dağılım; log-olabilirlik = 6383,7342

Tablolar (kısaltılmış; ondalık nokta olduğu gibi):

Tek değişkenli GARCH parametreleri (SH: iki aşamalı kestirimin ortak sandviç SH'si)
 seri  parametre   kestirim     SH          z        p
 AA    mu          0.00268002   0.00128017  2.09348  0.0363061
 AA    omega       6.78101e-05  5.32701e-05 1.27295  0.203036
 AA    alpha1      0.116375     0.0543078   2.14287  0.0321236
 AA    beta1       0.86751      0.0601821   14.4147  4.1801e-47
 IBM   ...   T   ...  (toplam 12 satır)

DCC parametreleri (a: yenilik, b: kalıcılık; g: asimetri)
 parametre  kestirim   SH         z        p
 dcca1      0.0197477  0.00584273 3.37988  0.000725165
 dccb1      0.968812   0.0116659  83.0464  0

Model uyumu (bilgi ölçütleri gözlem başına)
 logLik 6383.73  Akaike -11.1599  Bayes -11.0848  Shibata -11.1604  Hannan-Quinn -11.1316  n 1141  logLik_birinci_asama 6260.28

Koşulsuz korelasyon (Q̄, standartlaştırılmış artıklardan)
       AA        IBM       T
 AA    1         0.326915  0.201984
 IBM   0.326915  1         0.202892
 T     0.201984  0.202892  1

Son dönemdeki koşullu korelasyon (2009-01-30)
 AA    1         0.561647  0.587343
 IBM   0.561647  1         0.493704
 T     0.587343  0.493704  1
Öğe Ne yazar Nasıl yorumlanır
Tek değişkenli parametreler \mu, \omega, \alpha_1, \beta_1 (ve modele göre \gamma_1, \delta, şekil) her seri için \alpha_1+\beta_1 kalıcılıktır; örnekte AA 0{,}984, IBM 0{,}985, T 0{,}991.
DCC parametreleri a (dcca1), b (dccb1), aDCC'de g (dccg1), mvt için mshape a+b=0{,}9886: korelasyon şoklardan sonra yavaş (yarı ömür \approx60 hafta) uzun dönem düzeyine döner. a ve b birlikte anlamlıdır; b'nin z'si büyüktür ama a=0 altında b tanımsız olduğundan yalnız a'ya bakarak sabit korelasyonu reddetmek tek başına yeterli değildir (98.9, S8).
Model uyumu Ortak log-olabilirlik, gözlem başına Akaike, Bayes, Shibata, Hannan–Quinn, n, birinci aşama log-olabilirliği Yalnız aynı veride, aynı dağılımla, DCC ve aDCC gibi modelleri karşılaştırır; tek değişkenli dağılım seçimi için kullanılmaz (98.4.5).
Koşulsuz korelasyon \bar{\mathbf R} Uzun dönem hedefi; ham korelasyonlardan (0{,}3406;\ 0{,}2428;\ 0{,}2315) farklıdır, çünkü standartlaştırılmış artıklardan hesaplanır.
Son dönemdeki koşullu korelasyon \mathbf R_n Örnek sonunda (2008 krizi) üç korelasyon da hedefin çok üstündedir.
Koşullu korelasyonlar ve s.s. \rho_{ij,t} ve \sigma_{it} serileri Şekil ve dış kullanım içindir.

Şekil 98.1. Şablonun çizdiği grafik (örnek veri): üç çiftin koşullu korelasyonu. 2008–2009 krizinde üç çift de birlikte 0{,}5–0{,}6 düzeyine çıkar.

aDCC örneği (dcc_model = aDCC): a=0{,}0162 (SH 0{,}0051), b=0{,}9709 (SH 0{,}0110), g=0{,}00710 (SH 0{,}00552, z=1{,}285, p=0{,}199); log-olabilirlik 6384{,}914 (DCC için 6383{,}734), parametre sayısı bir artar (r=18). Asimetri anlamlı değildir ve olabilirlik artışı (1{,}18) tek parametre için \chi^2_1 ile yaklaşık p=0{,}12'dir.

mvt ve GJR-GARCH örneği (tek_degiskenli = gjrGARCH, dagilim = mvt, tek_dagilim = std): a=0{,}0173, b=0{,}9673, çok değişkenli t'nin serbestlik derecesi mshape =8{,}18 (SH 0{,}90); log-olabilirlik 6480{,}7355. Bu log-olabilirlik mvt olabilirliğidir ve mvnorm çalıştırmalarının log-olabilirliğiyle karşılaştırılamaz.

Rapor cümlesi (örnek ayar):

AA, IBM ve T haftalık getirilerine (1987-03-27–2009-01-30, n=1141) iki aşamalı DCC-GARCH uygulanmıştır. Her seri için sabit ortalamalı normal GARCH(1,1) kestirilmiş (AA için \hat\alpha_1=0{,}116, \hat\beta_1=0{,}868), standartlaştırılmış artıklardan DCC(1,1) parametreleri \hat a=0{,}0197 (SH 0{,}0058) ve \hat b=0{,}9688 (SH 0{,}0117) bulunmuştur. Uzun dönem korelasyonlar AA–IBM için 0{,}327, AA–T için 0{,}202 ve IBM–T için 0{,}203'tür; örnek sonunda koşullu korelasyonlar 0{,}562, 0{,}587 ve 0{,}494'e yükselmiştir.

98.8 Sık hatalar ve tuzaklar

  • IGARCH seçeneğini DCC'de kullanmak. tek_degiskenli = iGARCH seçildiğinde şablon iletiyle durur: rmgarch çok serili kestirimde \beta=1-\alpha kısıtını tanımaz ("Unrecognized Parameter in Fixed Values: beta1 … Ignored") ve anlamsız parametreler üretirdi. Tek serili IGARCH için Bölüm 102'deki şablon vardır.
  • Eksik gözlem. Bir serinin ortasındaki eksik hücre çalıştırmayı durdurur ("Serilerin ortasında eksik değer var"); eksikler doldurulmalı ya da örneklem kısaltılmalıdır. Baştaki ve sondaki eksik satırlar kırpılır ve bir not satırıyla bildirilir.
  • Sıra. Tarih sütunu etikettir ve sıralama yapılmaz; ama değerleri azalan sıradaysa şablon uyarı yazar (örnekte tarih sırası tersine çevrildiğinde log-olabilirlik 6402{,}70 olur). Kronolojik sıra kullanıcının sorumluluğundadır.
  • Ölçek. Yüzde (\times100) getirilerle de çalışır, ama varyans parametreleri (ve log-olabilirlik) ölçeğe bağlıdır (\ell=-9379{,}76); bir mutlak değer 5'i aştığında uyarı da çıkar. Aynı çalıştırmada getiri biçimini değiştirmeyin.
  • Aynı ya da neredeyse aynı iki seri. Korelasyon matrisi tekilleşir; örnekte AA'yı iki kez vermek "Model yakınsamadı" ile durur.
  • Çözücü seçimi sonucu değiştirir. nlminb seçildiğinde örnek veride T serisinin birinci aşama parametreleri daha düşük bir olabilirlik noktasında kalır (\hat\omega=3{,}6\cdot10^{-6}, \hat\beta=0{,}959 yerine 1{,}5\cdot10^{-5}, 0{,}926) ve ortak log-olabilirlik 6377{,}67 olur (\texttt{solnp}: 6383{,}73). Şablon solnp dışındaki bir çözücüde birinci aşama log-olabilirliğini her serinin bağımsız solnp çözümüyle karşılaştırır; fark 0{,}5'ten büyükse "Uyarılar" satırına "Birinci aşama log-olabilirliği (6254,92) solnp çözümünden (6260,28) düşük" uyarısını yazar (198–199). Çözücüler arasında sonuç tutarsızsa solnp'ye dönün ya da tol ve delta'yı küçültün.
  • Tek değişkenli dağılım ve log-olabilirlik. mvnorm ile Student t ya da GED yenilikli birinci aşama seçildiğinde ortak log-olabilirlik Gauss'tur (98.4.5); dağılımlar bu ölçütle karşılaştırılamaz; birinci aşama log-olabilirliği ("logLik_birinci_asama") kullanılır.
  • DCC(2,1). İkinci yenilik terimi anlamlı değilse (\hat a_2\approx6\cdot10^{-8}) log-olabilirlik DCC(1,1) ile aynıdır ama SH'ler şişer (a_1 için 0{,}0147 yerine 0{,}0058) ve r arttığı için bilgi ölçütleri kötüleşir.
  • Kestirim süresi. 3 seri için yaklaşık 6 s, 4 seri için 7 s; SH hesabı bunun büyük bölümüdür (sh_hesapla kapalıysa hızlanır).
  • Seri sayısı. Korelasyon hedeflemeli DCC iki parametreyle k(k-1)/2 korelasyonu sürer; seri sayısı arttıkça bu kısıt sıkılaşır.

98.9 Uzman soruları

S1. \bar{\mathbf Q} neden korelasyon değil de kovaryans, ve köşegeni neden 1 değil?

rmgarch hedefi cov(stdresid) olarak alır. Standartlaştırılmış artıkların varyansı örneklemde tam 1 değildir (örnekte 0{,}9987;\ 0{,}9970;\ 1{,}0015), bu yüzden \bar{\mathbf Q}'nun köşegeni 1'e eşit değildir. \mathbf R_t her dönem \mathbf Q_t'nun köşegeniyle yeniden ölçeklendiğinden bu bir sorun değildir; şablon "Koşulsuz korelasyon" tablosunda \bar{\mathbf Q}'yu ölçekleyerek \bar{\mathbf R}'yu verir. Merkezlenmemiş ikinci moment (\tfrac1n\mathbf z'\mathbf z) kullanılsaydı köşegen ve a,b biraz değişirdi.

S2. İlk dönem korelasyonu neden \bar{\mathbf R}'ya eşit değil?

rmgarch özyinelemeyi \mathbf Q_0=\bar{\mathbf Q} ve öncül şok vektörü \mathbf z_0=(1,\dots,1)' ile başlatır; dolayısıyla \mathbf Q_1=(1-a)\bar{\mathbf Q}+a\mathbf 1\mathbf 1' olur ve ilk korelasyon \bar{\mathbf R}'nın biraz üstündedir (AA–IBM: 0{,}3402 ve 0{,}3269). Etki b^t ile söner (yarı ömür \approx22 hafta). Bu başlangıç tanımı bağımsız hesapta log-olabilirliği yazılan basamaklar içinde yeniden üreten tek tanımdır: aDCC örneğinde \mathbf z_0=(1,\dots,1)' ile 6384{,}914, \mathbf z_0=\mathbf 0 ile 6384{,}852 çıkar.

S3. Neden "logLik" ile tek değişkenli log-olabilirliklerin toplamı aynı değil?

Ortak log-olabilirlik \ell=\ell_1+\ell_2'dir; \ell_1 (6260,28) tek değişkenli log-olabilirliklerin toplamı, \ell_2 (123,45) korelasyon yapısının katkısıdır. \ell_2 pozitiftir çünkü \mathbf z_t'\mathbf R_t^{-1}\mathbf z_t ile \mathbf z_t'\mathbf z_t arasındaki fark korelasyonun varlığını ödüllendirir.

S4. Bilgi ölçütlerindeki parametre sayısı neden 17?

rmgarch parametre sayısını birinci aşama (4 parametre \times 3 seri = 12), DCC (2) ve hedeflenen 3\cdot2/2=3 koşulsuz korelasyonun toplamı olarak sayar. Şablon r'yi tabloya yazmaz; Akaike'yi yeniden hesaplamak için r=12+2+3 kullanılmalıdır. Hedeflenen korelasyonları saymamak Akaike'yi -11{,}1652'e (yani rapordakinden küçük) çıkarır.

S5. Çözücüler neden farklı (a,b) veriyor?

İkinci aşama olabilirliği (a,b) yönünde çok düzdür: örnekte şablonun (0{,}0197477;\ 0{,}968812) ile bağımsız en iyilemenin (0{,}0197065;\ 0{,}968945) noktaları arasında \ell_2 yalnız 10^{-4} farklıdır. solnp ve çıplak dccfit(solver = "nlminb") çağrısı aynı noktayı (0{,}019748;\ 0{,}968812) bulur; Nelder–Mead biraz ötede durur (şablonun nlminb ayarında ise 98.8'deki sapma görülür). Parametrelerin altıncı basamağı çözücüye bağlıdır, ama koşullu korelasyonlar 10^{-3} içinde aynıdır.

S6. Standart hatalar neden "ortak sandviç"?

İkinci aşama olabilirliği birinci aşama parametrelerini sabit alır; (a,b)'nin saf Hessian SH'si (0{,}00465; 0{,}00981) birinci aşama belirsizliğini yok sayar. rmgarch iki aşamayı birlikte ele alan bir sandviç tahmincisi kullanır (0{,}00584; 0{,}01167). Bunun yan etkisi: aynı birinci aşama parametrelerinin SH'si DCC ya da aDCC seçimine göre değişir (örnekte AA \mu için 0{,}00128017 ve 0{,}00128213).

S7. aDCC'de g anlamlı değilse DCC'ye mi dönülür?

g için Wald testi (z=1{,}285, p=0{,}199) ve olabilirlik oranı (\Delta\ell=1{,}18) asimetriyi desteklemez; bilgi ölçütleri de DCC'yi tercih eder (Bayes -11{,}0848 ve -11{,}0807). DCC seçilir. \bar{\mathbf N} tanımı Cappiello ve ark.'ndan (E[\mathbf n\mathbf n']) farklı olduğu için olabilirlik ve g burada yayımlı tanımla bire bir karşılaştırılmamalıdır.

S8. Sabit korelasyona karşı DCC nasıl sınanır?

H_0:a=b=0 altında \mathbf R_t=\bar{\mathbf R} sabittir ve b tanımsızdır (Davies sorunu); b'nin z istatistiği (83{,}0) bu yüzden sabit korelasyonun reddi için geçerli bir sınama değildir. Şablonda yalnız a'nın z'si (3{,}38) bilgi verir; resmi bir sabit korelasyon sınaması şablonda yoktur. Pratikte DCC ve sabit korelasyonlu (a=b=0) modelin log-olabilirliklerini (ikincisi \ell_1+\ell_2(0{,}0)) karşılaştırmak daha güvenlidir.

98.10 Kaynaklar

  • Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327. https://doi.org/10.1016/0304-4076(86)90063-1
  • Bollerslev, T., & Wooldridge, J. M. (1992). Quasi-maximum likelihood estimation and inference in dynamic models with time-varying covariances. Econometric Reviews, 11(2), 143–172. https://doi.org/10.1080/07474939208800229
  • Cappiello, L., Engle, R. F., & Sheppard, K. (2006). Asymmetric dynamics in the correlations of global equity and bond returns. Journal of Financial Econometrics, 4(4), 537–572. https://doi.org/10.1093/jjfinec/nbl005
  • Engle, R. (2002). Dynamic conditional correlation: A simple class of multivariate generalized autoregressive conditional heteroskedasticity models. Journal of Business & Economic Statistics, 20(3), 339–350. https://doi.org/10.1198/073500102288618487
  • Engle, R. F., & Sheppard, K. (2001). Theoretical and empirical properties of dynamic conditional correlation multivariate GARCH (NBER Working Paper No. 8554). https://doi.org/10.3386/w8554
  • Fernández, C., & Steel, M. F. J. (1998). On Bayesian modeling of fat tails and skewness. Journal of the American Statistical Association, 93(441), 359–371. https://doi.org/10.1080/01621459.1998.10474117
  • Galanos, A. (2026). rmgarch: Multivariate GARCH models (R package version 1.4-3). https://github.com/alexiosg/rmgarch
  • Galanos, A. (2026). rugarch: Univariate GARCH models (R package version 1.5-6). https://CRAN.R-project.org/package=rugarch