Bayesian inference on GARCH models using the Gibbs sampler

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Bauwens L.,  Lubrano M.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 24 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 859 کیلوبایت 

قیمت کتاب (تومان) : 31,000

مقاله. - مجله اقتصاد سنجی (1998)، جلد 1، صفحات C23–C46.
Universite Catholique de Louvain این مقاله نحوه استفاده از نمونه‌بردار گیبس را توضیح می‌دهد. برای انجام استنتاج بیزی بر روی مدل های GARCH. اگرچه نمونه‌گر گیبس معمولاً مبتنی بر دانش تحلیلی چگالی‌های کامل خلفی مشروط است، چنین دانشی در مدل‌های رگرسیونی با خطاهای GARCH در دسترس نیست. ما نشان می‌دهیم که نمونه‌گر گیبس را می‌توان با یک قاعده ادغام قطعی تک بعدی که برای هر مختصات چگالی خلفی اعمال می‌شود ترکیب کرد. چگالی‌های شرطی کامل ارزیابی شده و به صورت عددی معکوس می‌شوند تا ترسیم تصادفی مفصل خلفی به دست آید. نشان داده شده است که این روش در مقایسه با نمونه برداری اهمیت و الگوریتم متروپلیس-هیستینگ، امکان پذیر و رقابتی است. این برای تخمین مدل دانشجو-گارچ نامتقارن برای بازده شاخص بورس اوراق بهادار و برای محاسبه قیمت‌های اختیار پیش‌بینی‌کننده در شاخص استفاده می‌شود. علاوه بر این، ما ثابت می‌کنیم که یک مسطح قبل از پارامتر درجه آزادی منجر به تراکم خلفی نامناسب می‌شود.

Article. — Econometrics Journal (1998), volume 1, pp. C23–C46.
Universite Catholique de Louvain This paper explains how the Gibbs sampler can be used to perform Bayesian inference on GARCH models. Although the Gibbs sampler is usually based on the analytical knowledge of the full conditional posterior densities, such knowledge is not available in regression models with GARCH errors. We show that the Gibbs sampler can be combined with a unidimensional deterministic integration rule applied to each coordinate of the posterior density. The full conditional densities are evaluated and inverted numerically to obtain random draws of the joint posterior. The method is shown to be feasible and competitive compared with importance sampling and the Metropolis–Hastings algorithm. It is applied to estimate an asymmetric Student–GARCH model for the return on a stock exchange index, and to compute predictive option prices on the index. We prove, moreover, that a flat prior on the degrees of freedom parameter leads to an improper posterior density.