Detección de puntos de cambio en la volatilidad de modelos autorregresivos no lineales heterocedásticos condicionales
Autores: Arrouch, Mohamed Salah Eddine; Elharfaoui, Echarif; Ngatchou-Wandji, Joseph
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Detección de puntos de cambio en la volatilidad de modelos autorregresivos no lineales heterocedásticos condicionales
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Papel
Detección de puntos de cambio
Volatilidad
Paramétrico
Heterocedasticidad condicional
Autorregresivo
No lineal
Estimadores CLS
Kolmogorov-Smirnov
Prueba
Distribución nula
Estimador
Ubicación
Experimento de simulación
Rendimiento
Datos reales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 37
Citaciones: Sin citaciones
Este documento estudia la detección de un único punto de cambio en la volatilidad de una clase de modelos paramétricos condicionales heterocedásticos autorregresivos no lineales (CHARN). Los estimadores de mínimos cuadrados condicionales (CLS) de los parámetros están definidos y se demuestra que son consistentes. Se construye un test de tipo Kolmogorov-Smirnov para la detección de puntos de cambio y se proporciona su distribución nula. Se define un estimador de la ubicación del punto de cambio. Su consistencia y su distribución límite se estudian en detalle. Se realiza un experimento de simulación para evaluar el rendimiento de los resultados, que se comparan con resultados recientes y se aplican a dos conjuntos de datos reales.
Descripción
Este documento estudia la detección de un único punto de cambio en la volatilidad de una clase de modelos paramétricos condicionales heterocedásticos autorregresivos no lineales (CHARN). Los estimadores de mínimos cuadrados condicionales (CLS) de los parámetros están definidos y se demuestra que son consistentes. Se construye un test de tipo Kolmogorov-Smirnov para la detección de puntos de cambio y se proporciona su distribución nula. Se define un estimador de la ubicación del punto de cambio. Su consistencia y su distribución límite se estudian en detalle. Se realiza un experimento de simulación para evaluar el rendimiento de los resultados, que se comparan con resultados recientes y se aplican a dos conjuntos de datos reales.