作者
摘要
有证据表明,结构变化或随机状态转换和长记忆是密切相关的概念。然而,随机过程中的长记忆和体制转换是金融研究中容易混淆的属性。使用建模方法,目的是区分金融时间序列的制度转换行为和长记忆。在一项实证研究中,使用德黑兰股市日收益率比较了对称、非对称、长记忆和马尔可夫转换GARCH模型的预测性能。结果表明,在样本外性能方面,长记忆指数GARCH(FIEGARCH)模型优于竞争模型。为了确保结果的有效性,获得每个模型的风险值(VaR)预测,并计算损失函数。本文提出了一个简单的规则来区分金融和经济时间序列中的长记忆和结构突变。
建议引用
Esmail Amiri,2019年。"用指数和切换GARCH模型建模和预测长记忆时间序列,"国际货币经济与金融杂志,Inderscience Enterprises Ltd,第12卷(5),第407-425页。手柄:RePEc:ids:ijmefi:v:12:y:2019年:i:5:p:407-425
从出版商下载全文
由于此文档的访问受到限制,您可能希望搜索换一个不同的版本。
更正
本网站上的所有材料均由各自的出版商和作者提供。你可以帮助纠正错误和遗漏。请求更正时,请提及此项目的句柄:RePEc:ids:ijmefi:v:12:y:2019年:i:5:p:407-425。请参阅一般信息关于如何更正RePEc中的材料。
如果您编写了此项目,但尚未在RePEc注册,我们鼓励您这样做在这里。这允许将您的个人资料链接到此项目。它还允许您接受我们不确定的该项目的潜在引用。
我们没有这个项目的参考书目。您可以使用这个表格。
如果你知道引用这一条的缺失条目,你可以通过以与上述相同的方式为每个引用条目添加相关引用来帮助我们创建这些链接。如果您是此项目的注册作者,您可能还需要检查您的RePEc作者服务个人资料,因为可能有一些引文等待确认。
有关此项目的技术问题,或更正其作者、标题、摘要、书目或下载信息,请联系:Sarah Parker(电子邮件如下)。供应商的一般联系方式:http://www.inderscience.com/browse/index.php?journalID=218。
请注意,更正可能需要几周时间才能筛选出来各种RePEc服务。