Modelowanie "długiej pamięci" szeregów zmienności stóp zwrotu

• Autorzy: Krzysztof Piontek
• Języki publikacji: PL

Abstrakty

Wszystkie modele klasy ARCH umożliwiają opis grubych ogonów oraz efektu skupiania zmienności. Najmniej znane są nadal modele opisujące „długą pamięć" (istotne autokorelacje wysokich rzędów kwadratów stóp zwrotu) w procesach zmienności - modele FIGARCH (Fractionally IGARCH). W pracy „Modelowanie długiej pamięci szeregów zmienności stóp zwrotu” (K. Piontek) przedstawione zostały podstawowe wiadomości na temat modeli FIGARCH. Analizie poddano samo pojęcie ..długiej pamięci" w odniesieniu do modeli zmienności, zaprezentowano warunek występowania efektu długiej pamięci zmienności, związek pomiędzy modelami GARCH. IGARCH oraz FIGARCH. a także technikę estymacji parametrów najprostszego modelu FIGARCH(l, d, l). Autor zaprezentował również wyniki badań dla rynku polskiego (indeks WIG). (abstrakt oryginalny)

Słowa kluczowe

PL

Stopa zwrotu; Analiza wariancji; Model GARCH

EN

Rate of return; Variance analysis; GARCH model

• Czasopismo: Prace Naukowe / Akademia Ekonomiczna w Katowicach
• Rocznik: 2003
• Tom: Modelowanie preferencji a ryzyko '03
• Strony: 491--504

Twórcy

autor

Krzysztof Piontek

• Akademia Ekonomiczna we Wrocławiu

Bibliografia

• 1. Baillie R.. Bollerslev T.. Mikkelsen H. (1996). Fractionally Integrated Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 74, 3-30.
• 2. Bollerslev T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics. 31, 307-327.
• 3. Bollerslev T.. Mikkelsen H. (1996). Modelling and Pricing Long-memory in Stock Market Volatility. Journal of Econometrics, 73. 151-184.
• 4. Box G., Jenkins J. (1986). Analiza szeregów czasowych. Prognozowanie i sterowanie. Państwowe Wydawnictwo Naukowe, Warszawa.
• 5. Breidt J., Crato N.. de Lima P. (1998). On the Detection and Estimation of Long Memory in Stochastic Volatility. Journal of Econometrics, 83. 325-348.
• 6. Caporin M. (2002). FIGARCH Models: Stationarity. Estimation Methods and the Identification Problem. www.greta.it/italiano/pagine/PdfFile/02.02.pdf
• 7. Chung Ch. (2002). Estimating the Fractionally Integrated GARCH Model. www.sinica.edu.tw/~metrics/Pdf_Papers/Figarch.pdf
• 8. Davidson J. (2002). Moment and Memory Properties of Linear Coditional Heteroskedasticity Models. Cardiff University. www.cf.ac.uk/carbs/econ/davidsonje/hygarch4.pdf
• 9. Ding Z.. Granger C. (1996). Modeling Volatility Persistence of Speculative Returns: A new Approach. Journal of Econometrics, 73, 185-215.
• 10. Engle R. (1982). Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of UK Inflation. Econometrica, 50, 987-1008.
• 11. Grau T. (2002). Modelling Daily Value at Risk using FIGARCH Type Models. University of Alicante. merlin.fae.ua.es/nuevaweb/qed/ candidatos/niguez%20paper.pdf
• 12. Karanasos M., Psaradakis Z.. Sola M. (2002). On the Autocorrelation Properties of Long Memory GARCH Processes. www.utdt.edu/departamentos/economia/pdf-wp/WP025.pdf
• 13. Maheu J. (2002). Can GARCH Models Capture the Long-Range Dependence in Financial Market Volatility? University of Toronto. www.chass.utoronto.ca/~jmaheu/cgarch.pdf
• 14. Piontek K. (2002). Modelowanie i prognozowanie zmienności instrumentów finansowych. Akademia Ekonomiczna. Wrocław.
• 15. Piontek K. (2001). Heteroskedastyczność rozkładu stóp zwrotu a koncepcja pomiaru ryzyka metodą VciR. W: Modelowanie preferencji a ryzyko. Ustroń. 339-350.
• 16. Tsay R. (2002). Analysis of Financial Time Series. Wiley & Sons, Chicago.