×
西尔维亚共和国洛佩斯。;塔亚娜·普拉斯。

分数积分指数广义自回归条件异方差过程的理论结果。 （英语） Zbl 1395.60046号

物理A 401, 278-307 (2014).
摘要：本文对分数积分指数广义自回归条件异方差（FIEGARCH）过程的主要性质进行了理论研究。我们分析了这些过程存在的条件、可逆性、平稳性和遍历性。我们证明，如果（{X_t}{t\in\mathbb{Z}}）是一个FIEGARCH（（p，d，q）过程，那么在温和的条件下，（{ln（X_t^2）{t\in \mathbb{Z}）就是一个具有相关创新的ARFIMA（（q，d，0），即一个自回归分数积分移动平均过程。给出了描述波动率的多项式系数的收敛阶，讨论了与谱表示和两个过程的协方差结构有关的结果。还导出了任何平稳FIEGARCH（（p，d，q）过程的峰度和不对称测度的表达式。给出了过程（X_t）、（ln（sigma_t^2）和（X_t^2。这项工作还提出了一项蒙特卡罗模拟研究，展示了如何基于六种不同的FIEGARCH模型生成、估计和预测。通过对巴西股票市场交易指数的实证应用，比较了属于自回归条件异方差模型（即ARCH型模型）和径向基模型的六种模型的预测性能。

引用于4文件

MSC公司：

60G22型 分数过程，包括分数布朗运动
62M10个 统计学中的时间序列、自相关、回归等（GARCH）

关键词：

长程依赖性;波动;平稳性;遍历性;FIEGARCH过程

软件：

StFinMetrics公司
PDF格式BibTeX公司 XML格式引用
\textit{S.R.C.Lopes}和\textit{T.S.Prass}，Physica A 401，278--307（2014；Zbl 1395.60046）
全文： 内政部 arXiv公司

参考文献：

[1] Engle，R.F.，英国通货膨胀方差估计的自回归条件异方差，计量经济学，50987-1008，（1982）·Zbl 0491.62099号
[2] 布雷特，F。；北卡罗来纳州克雷托。；de Lima，P.J.F.，《关于随机波动中长记忆的检测和估计》，《计量经济学》，83，325-348，（1998）·Zbl 0905.62116号
[3] Bollerslev，T.，广义自回归条件异方差，计量经济学杂志，31307-327，（1986）·Zbl 0616.62119号
[4] Nelson，D.B.，《资产收益的条件异方差：一种新方法》，《计量经济学》，59，347-370，（1991）·Zbl 0722.62069号
[5] Baillie，R。；博勒斯列夫，T。；Mikkelsen，H.，分数积分广义自回归条件异方差，计量经济学杂志，74，3-30，（1996）·Zbl 0865.62085号
[6] 博勒斯列夫，T。；Mikkelsen，H.O.，《股市波动中的长期记忆建模与定价》，《计量经济学杂志》，第73期，第151-184页，（1996年）·Zbl 0960.62560号
[7] Jayasurya，S.A.，《新兴市场股票收益波动中长记忆的子周期分析》（第九届全球商业经济会议论文集，（2009），英国剑桥大学），1-31
[8] 鲁伊斯，E。；Veiga，H.，用杠杆效应模拟长记忆波动：A-LMSV与FIEGARCH，计算。统计师。数据分析。，52, 6, 2846-2862, (2008) ·Zbl 1452.62787号
[9] 萨阿迪，S。；甘地，D。；Dutta，S.，《新兴资本市场非线性测试和波动建模：突尼斯案例》，国际期刊Theor。申请。财务，9，7，1021-1050，（2006）·Zbl 1140.62346号
[10] T.S Prass，Análise e Estimaáo de Medidas de Risco em Processos FIEGARCH，数学研究生课程硕士论文，南里奥格兰德联邦大学，阿雷格里港，2008年。
[11] T.S.Prass，S.R.C.Lopes，《FIEGARCH过程风险度量估算》（2013）arXiv:1305.5238。
[12] 普拉斯，T.S。；Lopes，S.R.C.，Var，teste de estresse e maxloss na presença de异方差数据e longa depending encia na volatilidade，Rev.Bras。Estatística，73，47-80，（2012）
[13] Lopes，S.R.C.，（Sidoravicius，V.；Vares，M.E.，《平均值和波动率的长程依赖性：模型、估计和预测》，平衡内外2（概率进展），第60卷，（2008），Birkhäuser Boston），497-525·Zbl 1149.60310号
[14] Palma，W.，《长记忆时间序列：理论和方法》，（2007），新泽西州约翰·威利·Zbl 1183.62153号
[15] Lee，S。；Hansen，B.，GARCH和IGARCH模型上最大似然估计的渐近性质和稳定性检验，计量经济学理论，10，29-52，（1994）
[16] Lumsdaine，R.，GARCH（（1，1））和IGARCH（（1、1））模型中最大似然估计量的渐近性质，计量经济学，64，575-596，（1996）·Zbl 0844.62080号
[17] 伯克斯，I。；Horváth，L.公司。；Kokoszka，P.，《GARCH过程：结构和估计》，伯努利，9，201-228，（2003）·Zbl 1064.62094号
[18] 伯克斯，I。；Horváth，L.，拟极大似然估计量的一致性比率，Stat.Proba。莱特。，61, 133-143, (2003) ·Zbl 1041.62017年
[19] 霍尔，P。；Yao，Q.，ARCH和GARCH模型中带有严重错误的推断，《计量经济学》，71，285-317，（2003）·Zbl 1136.62368号
[20] 斯特劳曼，D。；T.，Mikosch，条件异方差时间序列中的拟最大似然估计：随机递归方程方法，Ann.Stat.，34，5，2449-2495，（2006）·Zbl 1108.62094号
[21] Zivot，E。；Wang，J.，《利用S-PLUS建模金融时间序列》，（2005），纽约施普林格-弗拉格出版社·Zbl 1092.91067号
[22] Laurent，S。；Peters，J.P，G@RCH 4.0，估计和预测ARCH模型，（2005），Timberlake咨询公司
[23] Brockwell，P.J。；Davis，R.A.，《时间序列：理论和方法》，（1991年），纽约斯普林格-弗拉格出版社·Zbl 0709.62080号
[24] 布鲁姆菲尔德，P.，《关于线性预测因子的级数表示》，Ann.Probab。，13226-233（1985年）·Zbl 0559.60040号
[25] 邦登，P。；Palma，W.，《一类反持久过程》，《时间序列分析》。，28, 261-273, (2007) ·兹比尔1150.62040
[26] 佩雷斯，A。；Zaffaroni，P.，EGARCH和FIEGARCH模型中最大似然和Whittle估计的Finite样本性质，Quant。资格。分析。社会科学。，2, 1, 78-97, (2008)
[27] Hurvich，C.M。；Moulines，E。；Soulier，P.，《估计波动中的长期记忆》，《计量经济学》，73，4，1283-1328，（2005）·Zbl 1151.91702号
[28] Reisen，V.A。；Lopes，S.R.C.，预测长记忆时间序列模型的一些模拟和应用，J.Statist。计划。推理，80，2，269-287，（1999）·Zbl 0937.62094号
[29] Grazzini，J.，《涌现性质的分析：平稳性和遍历性》，J.Artificial Soc.Soc.Simul。，15, 2, 7, (2012)
[30] 多莫维茨，I。；El-Gamal，M.A，时间序列遍历性的一致非参数检验及其应用，《计量经济学杂志》，102，365-398，（2001）·Zbl 0998.62045号
[31] E.Giacomini，《定量金融中的神经网络》，柏林大学硕士论文，2003年。
[32] Dhamija，A.K。；Bhalla，V.K，《金融时间序列预测：神经网络和ARCH模型的比较》，《国际经济研究杂志》。，49, 185-202, (2010)
[33] Durrett，R.，《概率：理论和实例》，（1991年），沃兹沃思和布鲁克斯/科尔·太平洋格罗夫·Zbl 0709.60002号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。