Modelling volatity of time series data containing outliers observations with ARCH effect

• Autorzy: Duraj Agnieszka , Ludwicka Magdalena

Identyfikatory

DOI

10.15199/48.2019.01.10

Warianty tytułu

PL

Modelowanie zmienności w czasie szeregów danych zawierających obserwacje efektu ARCH

• Języki publikacji: EN

Abstrakty

EN

The subject of this work is a comparative analysis of selected models used to describe the volatility of time series including exceptions. This paper is focus on the the dynamic properties of the time series, generallyon the heterogeneity of conditional variance over time. This paper describes common approaches to detecting outliers, modelling and forecasting time series. Based on the researches performed by R. F. Engle, T. B. Bollerslev, J. Caiadoin, were examined selected ARIMA, ARCH and GARCH.An attention was paid to the ARCH effect in time series and its impact on the modelling volatility of financial time series, which contain outliers. The studies showed that the typical features of financial time series are the so-called grouped variances. Therefore, using ARIMA models for forecasting was insufficient, ARCH and GARCH modelsshowed good statistical properties for modelling time series data.

PL

Przedmiotem niniejszej pracy jest analiza porównawcza wybranych modeli służących do opisu zmienności szeregów czasowych, w tym wyjątków. Artykuł koncentruje się na dynamicznych właściwościach szeregów czasowych, na ogół na heterogeniczności warunkowej wariancji w czasie. W niniejszym artykule opisano powszechne metody wykrywania wartości odstających, modelowania i prognozowania szeregów czasowych. Na podstawie badań przeprowadzonych przez RF Engle, TB Bollerslev, J. Caiadoin, zbadano wybrane ARIMA, ARCH i GARCH. Zwrócono uwagę na efekt ARCH w szeregach czasowych i jego wpływ na zmienność modelowania finansowych szeregów czasowych, które zawierają odstające. Badania wykazały, że typowymi cechami finansowych szeregów czasowych są tak zwane pogrupowane wariancje. Dlatego wykorzystanie modeli ARIMA do prognozowania było niewystarczające, modele ARCH i GARCH prezentowały dobre właściwości statystyczne do modelowania danych szeregów czasowych.

Słowa kluczowe

EN

outlier detection; data stream; GARCH model; ARCH model

PL

wykrywanie wyjątków; strumienie danych; model ARCH; model GARCH

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2019
• Tom: R. 95, nr 1
• Strony: 37--40
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Duraj Agnieszka

• Politechnika Łódzka, Instytut Informatykii, ul. Wólczańska 215, 90-924 Łódź

autor

Ludwicka Magdalena

• Politechnika Łódzka, Instytut Informatykii, ul. Wólczańska 215, 90-924 Łódź

Bibliografia

• [1] R. F. Engle, Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation, Econometrica, Vol. 50, No. 4, pp. 987-1007, 1982. [Online]. Available: https://www.jstor.org/stable/1912773
• [2] I. Chang, G. C. Tiao C.Chen, Estimation of Time Series Parameters in the Presence of Outliers, Technometrics, USA, 1988, vol. 30, no. 2
• [3] V. Barnett, T. Lewis, Outliers in Statistical Data, John Wiley & Sons, New York, 1994.
• [4] F. M. Longin, The threshold effect in expected volatility: A model based on asymmetric information, The Review of Financial Studies 10 (3), 837-869, 1997.[Online]. Available: https://longin.fr/Recherche_Publications/Articles_pdf/Longin_Th e_threshold_effect_in_expected_volatility.pdf
• [5] C. M. Hafner, Nonlinear Time Series Analysis with Applications to Foreign Exchange Rate Volatility (1 ed.). Physica-Verlag Heidelberg, New York, 1998.
• [6] R. F. Engle, A. J. Patton, What good is a volatility model?, Quantitative Finance Volume 1 (2001), 237–245.[Online]. Available:http://www.stern.nyu.edu/rengle/EnglePattonQF.pdf
• [7] J.W. Osborne, A. Overbay, The Power of Outliers (and Why Researchers Should Always Check for Them), 2004. [Online]. Available: https://www.researchgate.net/publication/242073851_The_Pow er_of_Outliers_and_Why_Researchers_Should_Always_Check _for_Them.
• [8] J. Caiado, Modelling and forecasting the volatility of the portuguese stock index PSI-20, MPRA Paper 2077, University Library of Munich, Germany, 2004.
• [9] E. M. Knorr, B. Math, Outliers and Data Mining: Finding exceptions in Data, University of Waterlo, University of British Columbia, 2012. [Online]. Available: https://www.cs.ubc.ca/grads/resources/thesis/Ma y02 /Ed_Knorr.pdf
• [10] U.E.S. Kumara, W.A. Upananda, M.S.U. Rajib, Do Dynamic Properties of Stock Return Vary Under Hostile Environment? A Study During and After the Ethnic Conflict in Sri Lanka, Ruhuna Journal of Management and Finance, Volume 1, Number 2, 2014, [Online]. Available: https://www.researchgate.net/publication/269103861_Do_Dyna mic_Properties_of_Stock_Return_Vary_Under_Hostile_Environ ment_A_Study_During_and_After_the_Ethnic_Conflict_in_Sri_ Lanka
• [11] A.K. Mittal, N. Goyal, Modeling the volatility of indian stock market, IJRIM, Volume 2, Issue 1, 2012. [Online]. Available:
• [12] http://euroasiapub.org/wp-content/uploads/2016/09/1-1-42.pdf
• [13] N. Hamzaoui, B. Regaieg, The Glosten-Jagannathan-Runkle-Generalized Autoregressive Conditional Heteroscedastic approach to investigating the foreign exchange forward premium volatility, International Journal of Economics and Financial Issues. [Online]. Available:https://www.econjournals.com/index.php/ijefi/article/vi ewFile/2740/pdf
• [14] S. Singh, L. K. Tripathi, Modelling Stock Market Return Volatility: Evidence from India, Research Journal of Finance and Accounting, Vol. 7(13), pp 93-101 (2016). ISSN: 2222- 2847, 2016. [Online]. Available: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2862870
• [15] A. Duraj A., P.S. Szczepaniak, Information Outliers and Their Detection in: M. Burgin and W. Hofkirchner (Eds.): Information Studies and the Quest for Transdisciplinarity World Scientific Publishing Company, Vol.9, Chapter 15, pp. 413—436
• [16] A. Duraj, Outlier Detection in Medical Data Using Linguistic Summaries, 2017 IEEE International Conference on INnovations in Intelligent SysTems and Applications INISTA 2017, Gdynia, Poland, 3-5 July 2017.
• [17] Ł. Chomątek, A. Duraj, Multiobjective Genetic Algorithm for Outliers Detection, 2017 IEEE International Conference on INnovations in Intelligent SysTems and Applications INISTA 2017, Gdynia, Poland, 3-5 July 2017, pp. 379-384
• [18] A.Duraj, Ł.Chomątek, Outlier Detection Using the Multiobjective Genetic Algorithm, Journal of Applied Computer Science, Vol.25, No 1, pp.29-4
• [19] Lebioda, M.; Rymaszewski, J.; Korzeniewska, E., Simulation of Thermal Processes in Superconducting Pancake Coils Cooled by GM Cryocooler, MICROTHERM' 2013 - MICROTECHNOLOGY AND THERMAL PROBLEMS IN ELECTRONICS Book Series:Journal of Physics Conference Series Volume:494Article number:012018 Published:2014
• [20] Rymaszewski, Jacek; Lebioda, Marcin; Korzeniewska, Ewa, Simulation of the loss of superconductivity in a threedimensional model of the metal-superconductor connection, PRZEGLAD ELEKTROTECHNICZNY, Volume:88, Issue:12B, Pages:183-186, Published:2012

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).