Kurtoza w procesach generowanych przez model RCA GARCH

• Autorzy: Joanna Górka

Warianty tytułu

The Kurtosis of the RCA GARCH Process

• Języki publikacji: PL

Abstrakty

Przedstawiono teoretyczne wartości kurtozy procesu generowanego przez modele autoregresyjne z losowym parametrem (RCA), modele GARCH z innowacjami z rozkładu normalnego albo z rozkładu t-Studenta oraz modele GARCH z losowym parametrem (RCA GARCH). Podano również warunki konieczne istnienia kurtozy dla poszczególnych procesów. (fragment org. streszczenia)

EN

This paper considers moment properties as well as kurtosis of the RCA models, GARCH models and RCA GARCH models. An ARMA representation is used to derive the kurtosis of the GARCH models with independent, identically distributed random variables with zero mean and unit variance. (original abstract)

Słowa kluczowe

PL

Rynki finansowe; Rozkłady normalne; Szeregi czasowe; Modelowanie ekonometryczne; Model GARCH; Rozkład t-Studenta; Kurtoza

EN

Financial markets; Normal distribution; Time-series; Econometric modeling; GARCH model; Student's t-distribution; Kurtosis

• Czasopismo: Prace i Materiały Wydziału Zarządzania Uniwersytetu Gdańskiego
• Rocznik: 2007
• Numer: nr 5
• Strony: 577-589

Twórcy

autor

Joanna Górka

Bibliografia

• Appadoo S.S., Thavaneswaran A., Singh J., (2006), RCA models with correlated errors Applied Mathematics Letters 19, 824-829.
• Aue A. (2004), Strong approximation for RCA(l) time series with applications, Statistics & Probability Letters 68, 369-382.
• Bollerslev T. (1986), Generalized autoregressive conditional heteroscedasticity, Journal of Econometrics, 31, 307-327.
• Brzeszczyński J., R. Keim (2002),Ekonometryczne modele rynków finansowych. WIG-Press
• Engle R. F. (1982), Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation, Econometrica, 50, 987-1006.
• Doman, M., Doman, R. (2004), Ekonometryczne modelowanie dynamiki polskiego rynku finansowego, Wyd. AE w Poznaniu, Poznań.
• Ghysels E., Jasiak J., (l998), GARCH for Irregularly Spaced Financial Data: The ACD-GARCH Model, Studies in Nonlinear Dynamics and Econometrics, 2(4), 133-149.
• Górka J., (2007), Modele autoregresyjne z losowymi parametrami, w Osińska M. (red.), Procesy STUR. Modelowanie i zastosowanie do finansowych szeregów czasowych, Wydawnictwo "Dom Organizatora", Toruń.
• Hwang S.Y., Basawa I., Kim T.Y. (2006), Least squares estimation for critical random coefficient first-order autoregressive processes, Statistics & Probability Letters 76, 310-317.
• Lee S. (1998), Coefficient constancy test in a random coefficient autoregressive model Journal of Statistical Planning and Inference 74, 93-101.
• Nicholls D.F., Quinn B.C., (1982), Random Coefficient Autoregressive Models: An Introduction, in: Lecture Notes in Statistics, vol. 11, Springer, New York.
• Thavaneswaran A., Appadoo S.S., Peiris S., (2005), Forecasting volatility, Statistics & Probability Letters 75, 1-10.
• Thavaneswaran A., Appadoo S.S., Samanta M., (2005), Random coefficient GARCH models, Math. Comput. Modellingül, 723-733.
• Tsay R.S., (1987), Conditional Heteroscedastic Time Series Models Journal of the American Statistical Association, Vol. 82, No. 398, 590-604.