He leído que para modelar la cópula estándar, puedes obtener la función de distribución empírica de los datos y usarla para las cópulas. Pero para datos de series temporales, primero debemos ajustar ARIMA/GARCH, obtener residuos estandarizados, y solo entonces comenzar con el modelado de cópulas. ¿Cuál es la razón de utilizar residuos estandarizados y no directamente los datos de series temporales para el modelado de cópulas?
Respuesta
¿Demasiados anuncios?
Si las series temporales univariadas siguen ARMA+GARCH, ¿por qué no las modelamos como i.i.d.? Después de todo, haría nuestro trabajo más fácil. La respuesta es que la inferencia basada en una suposición i.i.d. será incorrecta y las previsiones subóptimas cuando las series siguen ARMA+GARCH (o contienen autocorrelaciones y heterocedasticidad condicional autorregresiva que se aproximan mejor con ARMA+GARCH que con i.i.d.). En finanzas, usar cópulas en residuos estandarizados de ARMA+GARCH a menudo puede hacer una mejor aproximación que usar cópulas en los datos sin procesar.
Y por si acaso te preguntas para qué sirve un modelo de cópula en residuos estandarizados cuando quieres un modelo para los datos originales: todo el modelo (ARMA+GARCH+cópula) en realidad es para los datos originales, por lo que puedes hacer inferencias y previsiones para los datos originales.
