Jestem analitykiem w dziedzinie finansów i ubezpieczeń i za każdym razem, gdy próbuję dopasować modele zmienności, uzyskuję okropne wyniki: reszty są często niestacjonarne (w sensie pierwiastka jednostkowego) i heteroskedastyczne (więc model nie wyjaśnia zmienności).
Czy może modele ARCH / GARCH działają z innymi danymi?
Edytowano 17.04.2015 15:07 w celu wyjaśnienia niektórych kwestii.
time-series
garch
volatility-forecasting
arch
Stefano R.
źródło
źródło
Odpowiedzi:
Moje doświadczenia z programowaniem / wdrażaniem i testowaniem procedur ARCH / GARCH doprowadziły mnie do wniosku, że muszą one być przydatne gdzieś i gdzieś, ale ich nie widziałem. Naruszenie gaussowskie, takie jak nietypowe wartości / przesunięcia poziomu / pulsacje sezonowe i trendy czasu lokalnego, należy początkowo wykorzystać do radzenia sobie ze zmianami zmienności / wariancji błędów, ponieważ mają one mniej poważne skutki uboczne. Po każdej z tych regulacji można zadbać o sprawdzenie, czy parametry modelu są stałe w czasie. Ponadto wariancja błędu może nie być stała, ale prostsze / mniej inwazyjne środki zaradcze, takie jak Box-Cox i wykrywanie deterministycznych punktów przerwania w wariancji błędu ala Tsay, są znacznie bardziej przydatne i mniej destrukcyjne. Wreszcie, jeśli żadna z tych procedur nie zadziała, to moim ostatnim westchnieniem byłoby rzucenie ARCH / GARCH na dane, a następnie dodanie tony wody święconej.
źródło
Najpierw niektóre podstawowe informacje:
2: w odniesieniu do heteroskedastyczności
Więcej można powiedzieć, gdy wyjaśnisz, jakie reszty masz na myśli.
Moje doświadczenie z modelami GARCH (co prawda ograniczone) polega na tym, że wykonują swoją pracę, ale oczywiście nie są panaceum.
źródło