Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:1603.01795

帮助 | 高级搜索

数学 > 统计理论

arXiv:1603.01795 (math)
[提交于 2016年3月6日 (v1) ,最后修订 2017年11月20日 (此版本, v2)]

标题: 马尔可夫切换平滑转换GARCH模型

标题: Markov Switching Smooth Transition GARCH Model

Authors:N. AleMohammad, S. Rezakhah, H. Hoseinalizadeh
摘要: 考虑了一个马尔可夫切换非对称GARCH模型,该模型施加了负冲击更大的杠杆效应。 研究了二阶矩的渐近行为,并计算了其上界。 使用通过吉布斯和格迪吉布斯抽样进行的贝叶斯策略来估计参数。 最后,我们通过两个实际数据集研究了该模型的性能。 我们证明,通过DIC指标,该模型具有最佳的样本内拟合效果,并且当负偏度足够大时,能提供更好的预测。
摘要: A Markov switching asymmetric GARCH model which imposes more leverage effect of the negative shocks is considered. The asymptotic behavior of the second moment is investigated and an upper bound for it is calculated. A bayesian strategy through Gibbs and griddy Gibbs sampling is used to estimate the parameters. Finally we study the performance of the model by two real data sets. We show that this model has the best in-sample fit via DIC and provides a better forecast when the negative skewness is large enough.
评论: 20页。arXiv管理员备注:与arXiv:1303.5525存在文本重叠
主题: 统计理论 (math.ST) ; 方法论 (stat.ME)
MSC 类: 60J10, 62M10, 62F15
引用方式: arXiv:1603.01795 [math.ST]
  (或者 arXiv:1603.01795v2 [math.ST] 对于此版本)
  https://doi.org/10.48550/arXiv.1603.01795
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Saeid Rezakhah [查看电子邮件]
[v1] 星期日, 2016 年 3 月 6 日 06:32:36 UTC (57 KB)
[v2] 星期一, 2017 年 11 月 20 日 21:47:13 UTC (301 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
查看许可
当前浏览上下文:
math.ST
< 上一篇   |   下一篇 >
新的 | 最近的 | 2016-03
切换浏览方式为:
math
stat
stat.ME
stat.TH

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号