GARCH modelado de deslizamiento o la expansión de la ventana?

Question

En la práctica, cuando el modelado de la volatilidad de hacer que las personas tienden a utilizar la ampliación o ventanas correderas para adaptarse a los modelos GARCH?

Por ejemplo, ver pronósticos de generación vs recursiva previsión de generación en Python arco paquete aquí: Arco de la Documentación

En definitiva, es sólo útil para el ajuste GARCH parámetros en los datos más recientes, o usar lo mejor de toda la historia de la devuelve los datos para que se ajuste GARCH modelo para predecir uno/n paso adelante de la volatilidad?

Answer 1

Si se acaba la modelización de la volatilidad y no de volatilidad estocástica de la volatilidad, entonces debe ser mejor utilizar una ventana deslizante. La razón es que la volatilidad en sí es variable en el tiempo y, por tanto, una expansión de la ventana no toma en cuenta los cambios en el régimen de la volatilidad.

El hecho de que la volatilidad es variable en el tiempo es una estilizada hecho, dos prominentes referencias son:

1. Bloom (2009) - El Impacto de los Shocks de Incertidumbre
2. Bollerslev, Tauchen y Zhou (2009) - se Espera que la rentabilidad de las Acciones y de la Varianza de las Primas de Riesgo

El de arriba se vea cambios en el régimen de la volatilidad o variable en el tiempo de la volatilidad de la volatilidad. Esto significa que la incondicional la media de la volatilidad que se obtiene con una expansión de la ventana podría afectar gravemente a la negativa de sus estimaciones especialmente en los malos tiempos como la crisis financiera. En cualquier caso si es mejor usar una expansión de la ventana o de un rodillo de la ventana es una cuestión empírica. Sugiero que la estimación de ambas maneras y comprobar empíricamente lo que funciona mejor.

Esta pregunta guía sobre cómo probar empíricamente el desempeño o Arco-tipo de modelos.

Answer 2

Yo tiendo a usar una expansión de la ventana.

La razón es que el modelo GARCH objetivo de capturar variable en el tiempo de la volatilidad de los efectos por lo que si el nivel medio ha cambiado las horas extras, entonces esperemos que el modelo va a tener esto en cuenta. Por el contrario, si se estima una variación constante, entonces la historia previa puede ser menos relevante que la historia más reciente.

Además, GARCH también puede ser pensado como un modelo similar a la suavización exponencial, aunque suavizado exponencial no tiene la media de la reversión del efecto que GARCH hace. Suavizado exponencial tiende a ser utilizado con una expansión de la ventana en lugar de una ventana deslizante.