PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2005 | 190 Macromodels 2004 : Problems of Building and Estimation of Econometic Models | 159--176
Tytuł artykułu

Forecasting STUR Processes : a Comparison to Threshold and GARCH Models

Warianty tytułu
Języki publikacji
EN
Abstrakty
EN
A model of interest is a stochastic unit root model (STUR), introduced by Leyboume, McCabe, Tremayne (1996) and Granger, Swanson (1997). Models describing stochastic unit root processes belong to a wide class of time-varying parameters models. The parameters of the models are followed by an autoregressive mechanism with mean equal to one, so the original series tend to possess one unit root in the long run, but in sub-periods may have either stationary, or explosive root. The paper focuses on forecasting financial returns, observed weekly, using different models representations, namely: STUR model, with heteroskedastic errors, standard GARCH model and SETAR model. First of all we tested whether weekly rates of returns can be considered as generated by the STUR process. Evidence supporting stochastic unit root hypothesis is found for six of nine series. The results of forecasting for one- and five-periods ahead is such that in two cases on six STUR-GARCH models gave better results, while for ten-periods ahead STUR-GARCH models were better in four cases on six. Taking MAPE values computed for ten-periods ahead forecast we observe similar out-performance of estimated STUR models like in the case of MSE criterion. The STUR-GARCH models were generally better in predicting the future 'rises' and 'falls'. (original abstract)
Przedmiotem artykułu jest model ze stochastycznym pierwiastkiem jednostkowym (STUR), wyprowadzony przez Leyboume'a, McCabe'a i Tremayne'a (1996) oraz Grangera i Swansona (1997). Model opisujący proces ze stochastycznym pierwiastkiem jednostkowym należy do znanej, szerokiej klasy modeli ze zmiennymi w czasie parametrami. Zmienne w czasie parametry w tym modelu można opisać za pomocą procesu autoregresyjnego o średniej równej jeden. Badany proces posiada zatem w dłuższym horyzoncie czasowym jeden pierwiastek jednostkowy, lecz w krótszych podokresach może być albo stacjonarny, albo wybuchowy. Głównym celem artykułu jest porównanie własności prognostycznych modelu STUR z błędami typu GARCH z innymi modelami, mianowicie standardowymi modelami GARCH i SETAR. Testowano (pod kątem wystąpienia procesu STUR) i prognozowano tygodniowe stopy zwrotu spółek z sektora bankowego. Możliwość wystąpienia zmiennego pierwiastka jednostkowego wykryto w sześciu przypadkach na dziewięć. Dla prognoz najeden i pięć okresów w przód wykryto, że model STUR-GARCH dał dokładniejsze wyniki niż pozostałe modele w dwóch przypadkach na sześć. Dla 10-ciu okresów w przód prognozy uzyskane przy pomocy STUR-GARCH były lepsze w czterech przypadkach na sześć. Biorąc MAPĘ jako kryterium dokładności prognoz uzyskano również, podobnie jak w przypadku średniego błędu kwadratowego, dokładniejsze prognozy. Modele STUR-GARCH lepiej także przewidują przyszłe „wzrosty" i „spadki". (abstrakt oryginalny)
Twórcy
  • Nicolaus Copernicus University in Toruń, Poland
  • Nicolaus Copernicus University in Toruń, Poland
Bibliografia
  • Bollerslev T., (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31.
  • Baillie R. T., Bollerslev T., (1992). Prediction in Dynamic Models with Time - Dependent Conditional Variances, Journal of Econometrics, 52.
  • Bruzda J., (2003). Procesy dwuliniowe i procesy GARCH w modelowaniu finansowych szeregów czasowych. Przegląd Statystyczny 2.
  • Charemza W.W., Lifshits M., Makarova S., (2002). Conditional testing for unit-root bilinearity if financial time series: some theoretical and empirical results. Paper submitted to the 8 International Conference Computing in Economics and Finance, Aix-en Provence, June 2002.
  • Clements M.P., Hendry D.F., (1999). Forecasting Non-stationary Economic Time Series. The MIT Press.
  • Cuthbertson K.., Hall S.G., Taylor M.P., (1992). Applied Econometric Techniques. Philip Allan.
  • Doman M., Doman R., (2004). Ekonometryczne modelowanie dynamiki polskiego rynku akcji. Wydawnictwo AE w Poznaniu.
  • Durbin J., Koopman S.J, (2001). Time Series Analysis by State Space Models. Oxford University Press
  • Gourieroux C, (1997). ARCH Models and Financial Applications. Springer-Verlag.
  • Granger C.W.J., Swanson N.R., (1997). An introduction to stochastic unit-root process. Journal of Econometrics, 80.
  • Granger C.W.J., T. Teräsvirta, (1993). Modelling Nonlinear Economic Relationships. Oxford University Press.
  • Jeziorska-Pąpka M., Osińska M., Witkowski M., (2004). Forecasting returns using threshold models. In: Acta Universitatis Lodzienzis (forthcoming).
  • Kim C-J., Nelson C. R., (1999). State-Space Models With Regime Switching: Classical and Gibbs- Sampling Approaches With Applications, MIT Press
  • Kwiatkowski J., (2004). Maximum likelihood estimation of stochastic unit root models with G ARCH disturbances. In: Acta Universitatis Lodzienzis (forthcoming).
  • Leybourne S.J., McCabe B.P.M., Mills T.C., (1996). Randomized unit root processes for modeling and forecasting financial time series: theory and applications. Journal of Forecasting 15.
  • Leybourne S.J., McCabe B.P.M., Tremayne A.R., (1996). Can economic time series be differenced to stationarity? Journal of Business and Economic Statistics, 14.
  • Maddala G.S., Kim I-М., (2002). Unit Roots, Cointegration and Structural Change. Cambridge University Press.
  • McCabe B.P.M., Tremayne A.R., (1995). Testing a time series for difference stationarity. Annals of Statistics, 23.
  • Mills T.C., (2002). The Econometric Modelling of Financial Time Series. Cambridge University Press.
  • Nicholls D.F., Quinn B.G., (1982). Random Coefficient Autoregressive Models: An Introduction. Lecture Notes in Statistics, 11. Springer-Verlag.
  • Osińska M., (2003). Stochastic unit roots processes -properties and application. Paper presented at XXX International Conference MACROMODELS, Warsaw 2003.
  • Taylor A.M.R, van Dijk D., (1999). Testing for Stochastic Unit Roots. Some Monte Carlo Evidence. Econometric Institute Research Report EI-9922/A.
  • Soliis R., Leybourne S.J., Newbold P., (2000). Stochastic unit roots modeling of stock price indices. Applied Financial Economics 10.
  • Tong, H., (1990). Non-linear time series, Oxford Science Publications. New York.
  • Tsay R. S., (2002). Analysis of Financial Time Series. Wiley.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000169160507

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.