- Văn bản
- Lịch sử
5 Estimation of DCC-GARCHIn this ch
5 Estimation of DCC-GARCH
In this chapter we describe how the parameters of a DCC-GARCH model may be determined. We consider three different distributions for the standardized error zt; the multivariate Gaussian, the multivariate Student’s t- and a multivariate skew Student’s t-distribution.
5.1 Multivariate Gaussian distributed errors When the standardized errors, zt, are multivariate Gaussian distributed, the joint distribution of z1,...,zT is:
since E[zt]=0 and E[ztzT t ] = I. Here t = 1,...,T is the time period used to estimate the model. Using the rule for linear transformation of variables (seee.g. page13in[3]), the likelihood function for at = H1/2 t zt is:
where θ denotes the parameters of the model. Let the parameters, θ, be divided in two groups; (φ,ψ) = (φ1,...,φn,ψ), where φi = (α0i,α1i,...,αqi,β1i,...,βpi) are the parameters of the univariate GARCH model for the ith asset series, i = 1,...,n. ψ = (a,b) are the parameters of the correlation structure in (29). By taking the logarithm of (31) and substituting Ht = DtRtDt we get the log-likelihood:
The estimation of the correctly specified log-likelihood is difficult, and hence the DCCmodel was designed to allow for two stage estimation. In the first stage the parameter φ of the univariate GARCH models are estimated for each asset series. The likelihood used in the first stage results in replacing Rt with the identity matrix In. In the second stage, the parameter ψ are estimated using the correctly specified log-likelihood in (32), given the parameter φ.
In this chapter we describe how the parameters of a DCC-GARCH model may be determined. We consider three different distributions for the standardized error zt; the multivariate Gaussian, the multivariate Student’s t- and a multivariate skew Student’s t-distribution.
5.1 Multivariate Gaussian distributed errors When the standardized errors, zt, are multivariate Gaussian distributed, the joint distribution of z1,...,zT is:
since E[zt]=0 and E[ztzT t ] = I. Here t = 1,...,T is the time period used to estimate the model. Using the rule for linear transformation of variables (seee.g. page13in[3]), the likelihood function for at = H1/2 t zt is:
where θ denotes the parameters of the model. Let the parameters, θ, be divided in two groups; (φ,ψ) = (φ1,...,φn,ψ), where φi = (α0i,α1i,...,αqi,β1i,...,βpi) are the parameters of the univariate GARCH model for the ith asset series, i = 1,...,n. ψ = (a,b) are the parameters of the correlation structure in (29). By taking the logarithm of (31) and substituting Ht = DtRtDt we get the log-likelihood:
The estimation of the correctly specified log-likelihood is difficult, and hence the DCCmodel was designed to allow for two stage estimation. In the first stage the parameter φ of the univariate GARCH models are estimated for each asset series. The likelihood used in the first stage results in replacing Rt with the identity matrix In. In the second stage, the parameter ψ are estimated using the correctly specified log-likelihood in (32), given the parameter φ.
0/5000
Các dự toán 5 của DCC-GARCHTrong chương này, chúng tôi mô tả làm thế nào các thông số của một mô hình DCC-GARCH có thể được xác định. Chúng tôi xem xét ba different phân phối cho tiêu chuẩn hóa lỗi zt; đa biến Gaussian, sinh viên đa biến t - và một đa biến nghiêng của sinh viên t-phân phối.5.1 đa biến Gaussian phân phối lỗi khi lỗi chuẩn hóa, zt, đa biến Gaussian phân phối, sự phân bố chung của z1,..., zT là:từ E [zt] = 0 và E [ztzT t] = tôi. Ở đây t = 1,..., T là khoảng thời gian sử dụng để ước tính các mô hình. Sử dụng các quy tắc cho các biến đổi tuyến tính của các biến (seee.g. page13in[3]), hàm khả năng nhất ở = H1/2 t zt là:nơi θ là bắt các thông số của mô hình. Hãy để các thông số, θ, được chia thành hai nhóm; (Φ, ψ) = (φ1,..., φn, ψ), nơi φi = (α0i, α1i,..., αqi, β1i,..., βpi) là các thông số của véc GARCH mô hình cho dòng tài sản ith, tôi = 1,..., n. ψ = (a, b) là tham số của cấu trúc tương quan ở (29). Bằng việc logarit (31) và thay thế Ht = DtRtDt chúng tôi có được khả năng đăng nhập:Dự toán của các một cách chính xác specified đăng nhập-khả năng là difficult, và do đó DCCmodel được thiết kế để cho phép cho hai giai đoạn dự toán. Trong giai đoạn chính φ tham số của các mô hình GARCH véc được ước tính cho mỗi loạt tài sản. Khả năng sử dụng trong các kết quả giai đoạn chính thay thế Rt với ma trận danh tính trong. Trong giai đoạn thứ hai, ψ tham số được ước tính bằng cách sử dụng các chính xác specified đăng nhập-khả năng trong (32), đưa ra tham số φ.
đang được dịch, vui lòng đợi..
5 dự toán của DCC-GARCH
Trong chương này chúng tôi mô tả cách các tham số của một mô hình DCC-GARCH có thể được xác định. Chúng tôi xem xét ba phân phối di ff erent cho lỗi ZT chuẩn hóa; . Gaussian đa biến, t- Sinh viên đa biến và phân phối t một nghiêng Student đa biến của
5.1 đa biến phân phối Gaussian lỗi Khi các lỗi tiêu chuẩn hóa, ZT, được đa biến Gaussian phân phối, phân phối chung của z1, ..., ZT là:
kể từ E [ZT] = 0 và E [ztzT t] = I. Ở đây t = 1, ..., T là khoảng thời gian sử dụng để ước lượng mô hình. Sử dụng các quy tắc chuyển đổi tuyến tính của các biến (seee.g. page13in [3]), các chức năng khả năng cho vào = H1 / 2 t ZT là:
nơi θ biểu thị các thông số của mô hình. Hãy để các thông số, θ, được chia thành hai nhóm; (Φ, ψ) = (φ1, ..., φn, ψ), nơi φi = (α0i, α1i, ..., αqi, β1i, ..., βpi) là các tham số của mô hình GARCH biến cho các loạt tài sản thứ i, i = 1, ..., n. ψ = (a, b) là thông số của các cấu trúc tương quan trong (29). Bằng cách lấy logarit (31) và thay thế Ht = DtRtDt chúng tôi nhận được log-likelihood:
Việc ước tính một cách chính xác Speci fi ed loga là di ffi giáo phái, và do đó DCCmodel được thiết kế để cho phép hai giai đoạn lập dự toán. Trong giai đoạn đầu tiên kinh các φ tham số của mô hình GARCH đơn biến được tính cho mỗi loạt tài sản. Khả năng sử dụng trong các kết quả giai đoạn đầu tiên kinh trong việc thay thế Rt với nhận dạng ma trận Trong. Trong giai đoạn thứ hai, ψ tham số được ước tính bằng cách sử dụng một cách chính xác Speci fi ed loga trong (32), đưa ra các tham số φ.
Trong chương này chúng tôi mô tả cách các tham số của một mô hình DCC-GARCH có thể được xác định. Chúng tôi xem xét ba phân phối di ff erent cho lỗi ZT chuẩn hóa; . Gaussian đa biến, t- Sinh viên đa biến và phân phối t một nghiêng Student đa biến của
5.1 đa biến phân phối Gaussian lỗi Khi các lỗi tiêu chuẩn hóa, ZT, được đa biến Gaussian phân phối, phân phối chung của z1, ..., ZT là:
kể từ E [ZT] = 0 và E [ztzT t] = I. Ở đây t = 1, ..., T là khoảng thời gian sử dụng để ước lượng mô hình. Sử dụng các quy tắc chuyển đổi tuyến tính của các biến (seee.g. page13in [3]), các chức năng khả năng cho vào = H1 / 2 t ZT là:
nơi θ biểu thị các thông số của mô hình. Hãy để các thông số, θ, được chia thành hai nhóm; (Φ, ψ) = (φ1, ..., φn, ψ), nơi φi = (α0i, α1i, ..., αqi, β1i, ..., βpi) là các tham số của mô hình GARCH biến cho các loạt tài sản thứ i, i = 1, ..., n. ψ = (a, b) là thông số của các cấu trúc tương quan trong (29). Bằng cách lấy logarit (31) và thay thế Ht = DtRtDt chúng tôi nhận được log-likelihood:
Việc ước tính một cách chính xác Speci fi ed loga là di ffi giáo phái, và do đó DCCmodel được thiết kế để cho phép hai giai đoạn lập dự toán. Trong giai đoạn đầu tiên kinh các φ tham số của mô hình GARCH đơn biến được tính cho mỗi loạt tài sản. Khả năng sử dụng trong các kết quả giai đoạn đầu tiên kinh trong việc thay thế Rt với nhận dạng ma trận Trong. Trong giai đoạn thứ hai, ψ tham số được ước tính bằng cách sử dụng một cách chính xác Speci fi ed loga trong (32), đưa ra các tham số φ.
đang được dịch, vui lòng đợi..
Các ngôn ngữ khác
Hỗ trợ công cụ dịch thuật: Albania, Amharic, Anh, Armenia, Azerbaijan, Ba Lan, Ba Tư, Bantu, Basque, Belarus, Bengal, Bosnia, Bulgaria, Bồ Đào Nha, Catalan, Cebuano, Chichewa, Corsi, Creole (Haiti), Croatia, Do Thái, Estonia, Filipino, Frisia, Gael Scotland, Galicia, George, Gujarat, Hausa, Hawaii, Hindi, Hmong, Hungary, Hy Lạp, Hà Lan, Hà Lan (Nam Phi), Hàn, Iceland, Igbo, Ireland, Java, Kannada, Kazakh, Khmer, Kinyarwanda, Klingon, Kurd, Kyrgyz, Latinh, Latvia, Litva, Luxembourg, Lào, Macedonia, Malagasy, Malayalam, Malta, Maori, Marathi, Myanmar, Mã Lai, Mông Cổ, Na Uy, Nepal, Nga, Nhật, Odia (Oriya), Pashto, Pháp, Phát hiện ngôn ngữ, Phần Lan, Punjab, Quốc tế ngữ, Rumani, Samoa, Serbia, Sesotho, Shona, Sindhi, Sinhala, Slovak, Slovenia, Somali, Sunda, Swahili, Séc, Tajik, Tamil, Tatar, Telugu, Thái, Thổ Nhĩ Kỳ, Thụy Điển, Tiếng Indonesia, Tiếng Ý, Trung, Trung (Phồn thể), Turkmen, Tây Ban Nha, Ukraina, Urdu, Uyghur, Uzbek, Việt, Xứ Wales, Yiddish, Yoruba, Zulu, Đan Mạch, Đức, Ả Rập, dịch ngôn ngữ.
- It have place of origin
- 今まで盾の勇者だからと俺に協力を拒んで犠牲者を出していたのだ。 だが、これからは
- FAMILY IS FOREVER
- Kí túc xá
- patrimoine
- Hardly
- FAMILY IS FOREVER
- giờ học
- Mat khac
- what do you think about this photocopy m
- a brilliant player
- send mail
- what do you think about this photocopy m
- 這三隻哪隻卡水，三號是早上po那隻
- The history of the term 'humanism' is co
- tôi rất thích màu này
- FAMILY IS FOREVER
- Все интересуются как упала расчетная сто
- 相爱会越长越像
- Your body is beautiful and attractive
- 今まで盾の勇者だからと俺に協力を拒んで犠牲者を出していたのだ。 だが、これからは
- Dear Tom, Sorry. I forgot 4th Jul Indepe
- địt mẹ mày
- tôi lại đeo chiếc mặt nạ lên và cười
