Prognozowanie zmienności w warunkach heteroskedastyczności

• Autorzy: Krzysztof S. Targiel
• Języki publikacji: PL

Abstrakty

W trakcie analizy finansowych szeregów czasowych często obserwowana jest heteroskedastyczność - zależność wariancji szeregu od czasu. Do modelowania tego typu zjawisk stosowane są powszechnie modele typu GARCH. Zwłaszcza są w ten sposób modelowane szeregi czasowe przedstawiające logarytmiczne stopy zwrotu. Umożliwia to opisanie takich zjawisk jak grube ogony czy długa pamięć. Jednak wariancja stóp zwrotu, nazywana zmiennością, jest istotnym parametrem rynku. Jego znajomość jest ważna do celów zabezpieczania pozycji finansowych. Stąd bierze się potrzeba prognozowania tego parametru. W pracy przedstawiono metody prognozowania oparte na rodzinie modeli GARCH. Metody te zilustrowano na przykładzie policzonym na danych zaczerpniętych z polskiego rynku giełdowego. (fragment tekstu)

Słowa kluczowe

PL

Zmienność; Model GARCH; Systemy rozmyte; Prognozowanie matematyczne

EN

Variability; GARCH model; Fuzzy systems; Mathematical forecasting

• Czasopismo: Prace Naukowe / Akademia Ekonomiczna w Katowicach
• Rocznik: 2006
• Tom: Modelowanie preferencji a ryzyko '06
• Strony: 475--486

Twórcy

autor

Krzysztof S. Targiel

• Wyższa Szkoła Biznesu w Dąbrowie Górniczej

Bibliografia

• Andersen T., Bollerslev T. (1997). Answering Critics: Yes, ARCH Models Do Provide Good Volatility Forecasts. NBER Working Paper Series, 6023.
• Black F. (1976). Studies of Stock Market Volatility Changes. Proceedings of the American Statistical Association, Business and Economic Statistics Section, 177-181.
• Bollerslev T. (1986). Generalised Autoregressive Conditional Heterosceda-sticity. Journal of Econometrics, 31, 307-327.
• Box G.E.P., Jenkins G.M. (1983). Analiza szeregów czasowych. Prognozowanie i sterowanie. PWN, Warszawa.
• Christensen B.J., Prabhala N.R. (1998). The Relation Between Implied and Realized Volatility. Journal of Financial Economics, 50, 125-150.
• Doornik, J.A. (2002). Object-Oriented Matrix Programming Using Ox. Timberlake Consultants Press, London.
• Doornik J.A., Ooms M. (2003). Computational Aspects of Maximum Likelihood Estimation of Autoregressive Fractionally Integrated Moving Average Models. Computational Statistics and Data Analysis, 41, 333-348.
• Engle R.F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of the United Kingdom Inflation. Econometrica, 50, 987-1007.
• Fama E. (1965). The Behaviour of Stock Market Prices. Journal of Business, 38, 34-105.
• Garman M., Klass M. (1980). On the Estimation of Stock Price Volatilities from Historical Data. Journal of Business 53, 1, 67-78.
• Kaiser T. (1996). One-Factor-GARCH Models for German Stocks - Estimation and Forecasting.
• Laurent S., Peters J. (2002). A Tutorial for G@RCH 2.3, a Complete Ox Package for Estimating and Forecasting ARCH Models.
• Malliaris M., Salchenberger L. (1996). Using Neural Networks to Forecast the S&P 100 Implied Volatility. Neurocomputing, 10 (2), 183-195.
• Mandelbrot B. (1963). The Variation of Certain Speculative Prices. Journal of Business, 13, 1-10.
• Mincer J., Zarnowitz V. (1969). The Evaluation of Economic Forecasts. [in:] J. Mincer : Economic Forecasts end Expectations. National Bureau of Economic Research, New York.
• Parkinson M. (1980). The Extreme Value Method for Estimating the Variance of the Rate of Return. Journal of Business, 53, 61-65.
• Rogers L.C.G., Satchell S.E. (1991). Estimating Variance from High, Low and Closing Prices. Annals of Applied Probability, 1, 504-512.
• Shephard N. (1996). Statistical Aspect of ARCH and Stochastic Volatility. [in:] Time Series Models with Econometric, Finance and Other Applications. Eds. D.R. Cox, D.V. Hincley, O.E. Barndorf-Nielson. Chapman and Hall, London.
• Sutcliffe Ch.M. (1993). Stock Index Futures. Chapman & Hall, London.
• Targiel K. (2002). Prognozowanie zmienności za pomocą modeli rozmytych. Instytut Badań Systemowych, Warszawa.
• Weron A., Weron R. (1998). Inżynieria finansowa. WNT, Warszawa.