Media mobile modelli a volatilità stocastica con applicazione di inflazione Previsioni Abstract: Si introduce una nuova classe di modelli che ha sia la volatilità stocastica e lo spostamento errori medi, dove la media condizionale ha un spazio di stato. Avere una componente media mobile, tuttavia, significa che gli errori nell'equazione di misurazione non sono serialmente indipendenti, e la stima diventa più difficile. Sviluppiamo un simulatore posteriore che si basa su recenti progressi nella algoritmi di precisione a base per la stima di questi nuovi modelli. In un'applicazione empirica che coinvolge l'inflazione Stati Uniti troviamo che questi si muovono modelli di volatilità media stocastici fornire una migliore nel campione di fitness e fuori delle previsioni del campione rispetto alle varianti standard con solo volatilità stocastica. Export di riferimento: BibTeX RIS (nota, ProCite, RefMan) HTMLText Questo sito è parte di RePEc e tutti i dati visualizzati qui fa parte del set di dati RePEc. È il vostro lavoro manca da RePEc Ecco come contribuire. Per domande o problemi Controllare la EconPapers FAQ o inviare una mail a. Pagina aggiornata modelli a volatilità stocastica media 2017-03-07Moving con applicazione alla previsione di inflazione si introduce una nuova classe di modelli che ha sia la volatilità stocastica e lo spostamento errori medi, dove la media condizionale ha un spazio di stato. Avere una componente media mobile, tuttavia, significa che gli errori nell'equazione di misurazione non sono serialmente indipendenti, e la stima diventa più difficile. Sviluppiamo un simulatore posteriore che si basa su recenti progressi nella algoritmi di precisione a base per la stima di questi nuovi modelli. In un'applicazione empirica che coinvolge Stati Uniti l'inflazione si scopre che questi si muovono modelli di volatilità media stocastica fornire una migliore forma fisica in-campione e out-of-sample delle previsioni rispetto alle varianti standard con solo volatilità stocastica. Classificazione JEL spazio Stato componenti inosservato modello Precision Densità previsione Sparse Corrispondenza a: Scuola di Ricerca di Economia, ANU College of Business and Economics, LF Crisp Edificio 26, The Australian National University, Canberra ACT 0200, Australia. Tel. 61 2 612 57358 fax: 61 2 612 50182. Copyright 2013 Elsevier copia B. V. Tutti i diritti reserved. Moving media modelli a volatilità stocastica con applicazione di inflazione Previsioni Moving volatilità media e stocastica sono due componenti importanti per la modellazione e previsione di serie storiche macroeconomiche e finanziarie. Il primo mira a catturare le dinamiche di breve periodo, mentre il secondo permette di volatilità clustering e la volatilità variabile nel tempo. Introduciamo una nuova classe di modelli che comprende entrambe queste caratteristiche utili. I nuovi modelli permettere al processo media condizionata per avere una forma spazio degli stati. Come tale, questo quadro generale comprende una vasta gamma di specifiche popolari, tra cui i componenti non osservate e modelli di parametri variabili nel tempo. Avere un processo di media mobile, tuttavia, significa che gli errori nell'equazione di misurazione non sono serialmente indipendenti, e la stima diventa più difficile. Sviluppiamo un simulatore posteriore che si basa su recenti progressi nella algoritmi di precisione a base per la stima di questa nuova classe di modelli. In un'applicazione empirica che coinvolge l'inflazione Stati Uniti troviamo che questi si muovono modelli di volatilità media stocastica fornire una migliore forma fisica in-campione e out-of-sample delle previsioni rispetto alle varianti standard con solo volatilità stocastica. Se si verificano problemi durante il download di un file, controllare se si dispone l'applicazione corretta per vederlo prima. In caso di ulteriori problemi leggi le Idee Assistenza pagina. Si noti che questi file non sono sul sito IDEE. Si prega di essere paziente, come i file possono essere di grandi dimensioni. Carta fornito da Australian National University, College of Business and Economics, Facoltà di Economia nella sua serie ANU Working Papers in Economia e Econometria con il numero 2012-591. Altre versioni di questo articolo: Trova relativi documenti di Classificazione JEL: C11 - Metodi matematici e quantitative - - econometrici e statistici Metodi e Metodologia: Generale - - - analisi bayesiana: Generale C51 - Matematica e Metodi Quantitativi - - modelli econometrici - - - Modello Edilizia e stima C53 - matematica e metodi quantitativi - - modelli econometrici - - - di previsione e modelli di previsione metodi di simulazione riferimenti elencati su idee Si prega di segnalare errori di citazione o di riferimento per. o. Se sei l'autore registrato del lavoro citato, accedere al RePEc Profilo dell'autore servizio. clicca sulle citazioni ed effettuare le regolazioni necessarie. Gary Koop Dimitris Korobilis, 2009. Previsione inflazione tramite il Dynamic modello della media, Working Paper Series 3409, il Centro di Rimini per l'analisi economica. Gary Koop Dimitris Korobilis, inflazione 2012. Previsione tramite il Dynamic modello della media, Economic Review International. Dipartimento di Economia, Università della Pennsylvania e Osaka University Institute of Social and Economic Research Association, vol. 53 (3), pagine 867-886, 08. Joshua Chan Gary Koop Simon Potter, 2012. Un nuovo modello di andamento dell'inflazione, Working Papers 1202, Università di Strathclyde Business School, Dipartimento di Economia. Chan, Joshua Koop, Gary Potter, Simon, 2012. Un nuovo modello di andamento dell'inflazione, SIRE Discussion Paper 2012-12, Scottish Institute per la Ricerca in Economia (SIRE). Joshua C C Chan Gary Koop Simon M Potter, 2012. Un nuovo modello di andamento dell'inflazione, CAMA Working Papers 2012-08, Centre for Applied macroeconomico Analisi, Crawford School of Public Policy, The Australian National University. Joshua C C Chan Gary Koop Roberto Leon-Gonzales Rodney W Strachan, 2011. Tempo Variabile Dimension modelle, CAMA Working Papers 2011-28, Centre for Applied macroeconomico Analisi, Crawford School of Public Policy, The Australian National University. Joshua C. C. Chan Garry Koop Roberto Leon Gonzales Rodney W. Strachan, 2010. Tempo Variabile Dimension modelle, ANU Working Papers in Economia e Econometria 2010-523, Australian National University, College of Business and Economics, Facoltà di Economia. Joshua C. C. Chan Gary Koop Roberto Leon-Gonzalez Rodney W. Strachan, 2010. Tempo Variabile Dimension modelle, Working Paper Series 4410, il Centro di Rimini per l'analisi economica. Chan, Joshua C C Koop, Gary Leon-Gonzalez, Roberto Strachan, Rodney W, 2010. Tempo Variabile Dimension modelle, SIRE Discussion Paper 2012-33, Scottish Institute per la Ricerca in Economia (SIRE). Joshua Chan Gary Koop Roberto Leon-Gonzalez Rodney Strachan, 2011. Tempo Variabile Dimension modelle, Working Papers 1116, Università di Strathclyde Business School, Dipartimento di Economia. KOROBILIS, Dimitris, 2011. previsione VAR utilizzando la selezione delle variabili Bayesiano, il nucleo di discussione Papers 2.011.022, Universit catholique de Louvain, Centro per la Ricerca Operativa e Econometria (CORE). Timothy Cogley Giorgio Primiceri E. Thomas J. Sargent, 2008. L'inflazione-Gap Persistenza negli Stati Uniti, NBER Working Papers 13749, National Bureau of Economic Research, Inc. Moving media stocastici modelli a volatilità con applicazione di inflazione Previsioni Moving volatilità media e stocastica sono due componenti importanti per mod-Elini e previsione di serie storiche macroeconomiche e finanziarie. Il primo mira a catturare le dinamiche di breve periodo, mentre il secondo permette di volatilità clustering e la volatilità variabile nel tempo. Introduciamo una nuova classe di modelli che comprende entrambe queste caratteristiche utili. I nuovi modelli permettere al processo media condizionata per avere una forma spazio degli stati. Come tale, questo quadro generale comprende una vasta gamma di specifiche popolari, tra cui i componenti non osservate e modelli pa-Parametro Tipo variabili nel tempo. Avere un processo di media mobile, tuttavia, significa che gli errori nell'equazione di misurazione non sono serialmente indipendenti, e la stima diventa più difficile. Sviluppiamo un simulatore posteriore che si basa su recenti progressi nella algoritmi di precisione a base per la stima di questa nuova classe di modelli. In un'applicazione empirica che coinvolge l'inflazione Stati Uniti troviamo che questi modelli di volatilità stocastica si muove Aver-età fornire una migliore forma fisica in-campione e out-of-sample delle previsioni rispetto alle varianti standard con solo volatilità stocastica. Scopri le worldx27s ricerca Citazioni Citazioni 13 Riferimenti Riferimenti 45 quotThis a sua volta riduce il tempo di calcolo, che ci permette di effettuare outofsample stima ricorsiva in modo molto parsimoniosa. Ci riferiamo al lettore di Chan (2013) in cui è dimostrato che la stima di una SV utilizzando le tecniche proposte dura circa 132 secondi per 10000 posteriore pareggi con un un desktop con un processore Intel Core i7-870 2.93 GHz. Inoltre, la procedura può essere facilmente modied per comprendere leva e eects inmean senza grandi diculties computazionali. quot Mostra astratto Nascondi Abstract Abstract: Confrontiamo la capacità predittiva dei diversi modelli di volatilità per una lunga serie di settimanali log-rendimenti del Dow Jones Industrial Average dal 1902 al 2016. La nostra attenzione è in particolare su prevedere uno e multi-step avanti condizionale e aggregati densità condizionali. La nostra serie di modelli concorrenti comprende: le specifiche ben note GARCH, Markov GARCH commutazione, GARCH sempiparametric, generalizzate autoregressiva Score (GAS), la volatilità stocastica pianura (SV), così come le sue estensioni più flessibili, come SV con leva finanziaria, in-media effetti e studenti - t errori distribuiti. Troviamo che: modelli (i) SV generalmente superano le specifiche GARCH, (ii): Il modello SV con effetto leva fornisce prestazioni molto forte out-of-campione in termini di uno e multi - passi avanti di previsione densità, (iii) Le differenze in termini di Value-at-Risk (VaR) previsioni precisione sono meno evidenti. Così, i nostri risultati hanno un importante implicazione: il miglior modello di prestazioni dipende dal criterio di valutazione. Testo integrale dell'articolo maggio 2016 SSRN elettronico ufficiale Leopoldo Catania Nima Nonejad Mostra astratto Nascondi Abstract Abstract: serie finanziarie spesso mostrano proprietà che partono dai soliti ipotesi di indipendenza di serie e la normalità. Questi includono il clustering di volatilità, heavy-tailedness e la dipendenza di serie. Una voluminosa letteratura su approcci diversi per modellare queste regolarità empiriche è emersa negli ultimi dieci anni. In questo articolo passiamo in rassegna la stima di una varietà di modelli altamente flessibili volatilità stocastica, e di introdurre alcuni algoritmi efficienti basati sui recenti progressi nelle tecniche di simulazione dello stato spazio. Questi metodi di stima sono illustrati mediante esempi empirici che coinvolgono metalli preziosi e la restituisce di cambio. è prevista anche il codice Matlab corrispondente. Testo integrale dell'articolo Nov 2013 Joshua C C Chan Cody Y L Hsiao Mostra astratto Nascondi Abstract Abstract: Questo articolo discute la stima della volatilità dell'inflazione degli Stati Uniti utilizzando il tempo che varia modelli di parametri, in particolare se esso debba essere modellata come un processo stocastico passeggiata stazionario o casuale. Specificando la volatilità dell'inflazione come un processo senza limiti, come implica il random walk, è in conflitto con le credenze priori, tuttavia un processo stazionario non può catturare il comportamento a bassa frequenza comunemente osservati nelle stime di volatilità. Si propone quindi un modello alternativo con un processo di cambiamento punto percentuale della volatilità che permette di switch tra i modelli fissi per catturare variazioni del livello e della dinamica negli ultimi quarant'anni. Per accogliere la restrizione stazionarietà, sviluppiamo una nuova rappresentazione che è equivalente al nostro modello, ma è computazionalmente più efficiente. Tutti i modelli producono stime efficacemente identici di volatilità, ma il modello di cambiamento-punto fornisce ulteriori informazioni sul livello e la persistenza della volatilità e le probabilità di cambiamenti. Ad esempio, troviamo un paio di interruttori ben definite nel processo di volatilità e, cosa molto interessante, queste opzioni della riga bene con rallentamenti economici o cambiamenti della Riserva presidente federale. Testo integrale dell'articolo gennaio 2014 Eric Eisenstat Rodney W. Strachan
No comments:
Post a Comment