4. MethodologyMany financial times

4. Methodology

Many financial times series exhibit periods of low volatility followed by periods of high volatility known as volatility clustering. Autoregressive conditional heteroskedasticity (ARCH) was developed (Engle, 2001) in order to model and forecast the variance of financial and economic time series over time. ARCH models have been generalized to become the generalized ARCH or GARCH models. ARCH and GARCH models have become common tools for dealing with time series hetroskedastic models; these models provide a volatility measure that can be utilized in portfolio selection, risk analysis and derivative pricing.
A GARCH (1,1) model is very common in financial time series data, but ARCH and GARCH models have been expended over the previous two decades to factor in the direction of returns, not just the magnitude (Engle, 2001). They include, for example, the IGARCH model which allows for volatility shocks to be permanent, the TARCH (threshold ARCH) and the EGARCH (exponential GARCH) which are asymmetric models that allow negative shocks to behave differently from positive shocks. An EGARCH overcomes the problem of the standard ARCH/GARCH models where symmetry is imposed on the conditional variance.
Ding et al. (1993) introduced a new variant called the power ARCH (PARCH) model. In this addition to the ARCH family, the power term is estimated within the model rather than being imposed by the author. The advantage is that “rather than imposing a structure on the data, the PARCH model allows a power transformation term inclusive of any positive value and so permits a virtually infinite range of transformations” (McKenzie et al., 2001).
The power term is the means by which the data are transformed. The power term captures volatility clustering by changing the influence of the outliers. Traditionally data transformations

Kết quả (Việt) 1:

4. phương phápNhiều lần tài chính loạt triển lãm các giai đoạn của bay hơi thấp, theo sau bởi những giai đoạn của bay hơi cao được gọi là biến động cụm. Autoregressive có điều kiện heteroskedasticity (kiến trúc) phát triển (Engle, 2001) để mô hình và thời phương sai của chuỗi thời gian kinh tế và tài chính theo thời gian. Mô hình kiến trúc đã được tổng quát hóa để trở thành mô hình kiến trúc hoặc GARCH tổng quát. Kiến trúc và GARCH mô hình đã trở thành phổ biến các công cụ để đối phó với thời gian loạt các mô hình hetroskedastic; Các mô hình này cung cấp một biện pháp bay hơi có thể được sử dụng trong danh mục đầu tư lựa chọn, phân tích rủi ro và giá cả bắt nguồn từ.Một mô hình GARCH (1,1) là rất phổ biến trong thời gian tài chính loạt dữ liệu, nhưng mô hình vòm và GARCH đã được mở rộng hơn hai thập kỷ trước đó yếu tố theo hướng trở về, không chỉ cấp sao biểu kiến (Engle, 2001). Chúng bao gồm, ví dụ, mô hình IGARCH cho phép bay hơi chấn động là vĩnh viễn, TARCH (ngưỡng ARCH) và EGARCH (mũ GARCH) không đối xứng các mô hình cho phép các chấn động âm để cư xử một cách khác nhau từ những chấn động tích cực. Một EGARCH vượt qua vấn đề của các mô hình tiêu chuẩn kiến trúc/GARCH nơi đối xứng áp đặt đối với phương sai có điều kiện.Đinh et al. (1993) đã giới thiệu một phiên bản mới hơn được gọi là mô hình kiến trúc (PARCH) của sức mạnh. Này bổ sung cho các gia đình kiến trúc, thuật ngữ điện được ước tính trong các mô hình chứ không phải là bị áp đặt bởi các tác giả. Lợi thế là "chứ không áp đặt một cấu trúc dữ liệu, mô hình PARCH cho phép một thuật ngữ biến đổi năng lượng bao gồm bất kỳ giá trị tích cực và do đó cho phép hầu như infinite nhiều biến đổi" (McKenzie và ctv., 2001).Thuật ngữ điện là phương tiện mà các dữ liệu được chuyển đổi. Thuật ngữ điện bắt biến động cụm bằng cách thay đổi ảnh hưởng của các outliers. Theo truyền thống dữ liệu biến đổi

Kết quả (Việt) 2:

4. Phương pháp Nhiều thời gian tài chính hàng loạt cuộc triển lãm ít biến động sau thời kỳ biến động cao được gọi là biến động clustering. Tự hồi quy heteroskedasticity có điều kiện (ARCH) được phát triển (Engle, 2001) để mô hình hóa và dự báo phương sai của chuỗi thời gian tài chính và kinh tế theo thời gian. Mô hình ARCH đã được khái quát hóa để trở thành ARCH hoặc GARCH mô hình tổng quát. ARCH và GARCH mô hình đã trở thành công cụ phổ biến để đối phó với các mô hình dòng hetroskedastic thời gian; các mô hình này cung cấp một thước đo biến động có thể được sử dụng trong việc lựa chọn danh mục đầu tư, phân tích rủi ro và định giá phái sinh. Một GARCH (1,1) là mô hình rất phổ biến trong dữ liệu chuỗi thời gian tài chính, nhưng ARCH và GARCH mô hình đã được chi tiêu trong hai thập kỷ trước yếu tố trong sự chỉ đạo của lợi nhuận, không chỉ là độ lớn (Engle, 2001). Họ bao gồm, ví dụ, mô hình IGARCH cho phép đối với các cú sốc bất ổn là vĩnh viễn, các TARCH (ngưỡng ARCH) và EGARCH (mũ GARCH) là mô hình không đối xứng cho phép những cú sốc tiêu cực đến hành xử khác nhau từ những cú sốc tích cực. Một EGARCH khắc phục được những vấn đề của các mô hình ARCH / GARCH chuẩn nơi đối xứng là đối với phương sai có điều kiện. Ding et al. (1993) đã giới thiệu một phiên bản mới được gọi là điện ARCH (cạn) mô hình. Ngoài này cho gia đình ARCH, thuật ngữ điện được ước tính trong mô hình chứ không phải bị áp đặt bởi các tác giả. Ưu điểm là "thay vì áp đặt một cấu trúc trên các dữ liệu, mô hình làm cho khô cho phép bao gồm hạn chuyển đổi quyền lực của bất kỳ giá trị tích cực và do đó cho phép một hầu như trong fi loạt đêm của biến đổi" (McKenzie et al., 2001). Thuật ngữ điện các phương tiện mà các dữ liệu được chuyển. Thuật ngữ điện bắt biến động phân nhóm bằng cách thay đổi ảnh hưởng của các giá trị ngoại lai. Theo truyền thống, chuyển đổi dữ liệu