Estimación semiparamétrica y aplicación del modelo GARCH realizado con efecto de apalancamiento variable en el tiempo
Autores: Lin, Jinguan; Mao, Yizhi; Hao, Hongxia; Liu, Guangying
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Estimación semiparamétrica y aplicación del modelo GARCH realizado con efecto de apalancamiento variable en el tiempo
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Características
Volatilidad
Efecto de apalancamiento
Modelo
Método QML-K
Estimación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
Para describir de manera exhaustiva las características estilizadas de la volatilidad, este documento incrusta el efecto de apalancamiento variable en el tiempo de la volatilidad en el modelo de Realized Generalized AutoRegressive Conditional Heteroskedasticity (RG) y propone un nuevo modelo de volatilidad con un efecto de apalancamiento variable. Se propone el método Quasi-Máxima Verosimilitud-Núcleo (QML-K) para aproximar la función de densidad de los rendimientos y estimar los parámetros en el nuevo modelo. Bajo algunas condiciones de regularidad moderadas, se logran las propiedades asintóticas de los estimadores resultantes. Estudios de simulación demuestran que el modelo propuesto ofrece mejores rendimientos que los modelos RG tradicionales en diferentes situaciones. Finalmente, el análisis empírico muestra un mejor rendimiento de muestra finita del método de estimación y del nuevo modelo en datos reales en comparación con los métodos existentes.
Descripción
Para describir de manera exhaustiva las características estilizadas de la volatilidad, este documento incrusta el efecto de apalancamiento variable en el tiempo de la volatilidad en el modelo de Realized Generalized AutoRegressive Conditional Heteroskedasticity (RG) y propone un nuevo modelo de volatilidad con un efecto de apalancamiento variable. Se propone el método Quasi-Máxima Verosimilitud-Núcleo (QML-K) para aproximar la función de densidad de los rendimientos y estimar los parámetros en el nuevo modelo. Bajo algunas condiciones de regularidad moderadas, se logran las propiedades asintóticas de los estimadores resultantes. Estudios de simulación demuestran que el modelo propuesto ofrece mejores rendimientos que los modelos RG tradicionales en diferentes situaciones. Finalmente, el análisis empírico muestra un mejor rendimiento de muestra finita del método de estimación y del nuevo modelo en datos reales en comparación con los métodos existentes.