No puede ser el caso si el modelo Gaussiano es el verdadero modelo. Si usted ve que, a continuación, sus observaciones son consistentes con los de Mandelbrot observaciones en 1963. Véase, en particular:
Mandelbrot B (1963) La variación de ciertos precios especulativos. La Revista de Negocios 36(4):394-419
Me voy a poner votada abajo para esto, pero la razón no es Gaussiana, es que ya está probado que no sólo puede ser de Gauss en una circunstancia que es cuando usted cree que va a tener una pérdida en cada período de ignorar el impacto de la probabilidad de efectos. Es posible obtener algunos resultados positivos si la media es un pequeño persistencia de la pérdida y un nivel suficientemente alto de desviación estándar relativa. Usted puede encontrar la bibliografía para este bajo:
Mann H, Wald Un (1943) En el tratamiento estadístico de los estocástico lineal de ecuaciones de diferencia. Econometrica 11:173-200
y
Blanco JS (1958) La limitación de la distribución de la serie coeficiente de correlación en la explosiva caso. Los Anales de la Estadística Matemática 29(4):1188-1197
Este último artículo fue ampliado por Rao a todos finito de orden AR de los casos, pero no recuerdo de donde la cita.
Estos son tanto para el Pescador del likelihoodist perspectiva sobre la probabilidad. Para Neyman Pearson y la interpretación de la probabilidad, el CAPM y modelos relacionados, no puede existir. La discusión es demasiado tiempo por aquí. La versión corta sería esto, sin embargo. El Blanco, el artículo muestra que no estimador existe para la media y la varianza de las finanzas en Fisher comprensión de la probabilidad para modelos como el CAPM o Black-Scholes. Esto no es directamente evidente, por desgracia. Pearson y Neymar del método permitiría algo así como Theil de la regresión como una herramienta válida, pero como es una mediana y rango intercuartílico, basado en la herramienta, que no tiene de media-varianza de finanzas tendrá la mediana rango intercuartílico de las finanzas.
Escribí un artículo sobre el Bayesiano caso porque la estadística Bayesiana son siempre admisible estadística y no estadística Bayesiana es admisible sólo si coinciden con el Bayesiano en vez de la muestra o en el límite. El original Wald artículo sobre esto,* Una Esencia Completa de la Clase de Decisión Funciones* es menos legible que, dicen
Parmigiani G, Inoue L (2009) la Teoría de la Decisión: Principios y Enfoques. Wiley Serie en Probabilidad y Estadística, Wiley, Chichester, West Sussex
Para mi artículo, se puede leer Harris, David E., de La Distribución de los Rendimientos (24 de agosto de 2016). Disponible en SSRN: https://ssrn.com/abstract=2828744
Me gustaría señalar que el original GARCH artículo fue probado en acciones y descubrieron que las poblaciones fuertemente vulnerados los supuestos subyacentes de la herramienta. La ironía es que nadie parece leer esa parte y GARCH ha existido desde siempre. Voy a revisar el artículo anterior para la presentación final para su publicación. Mi artículo llega a la Bayesiana de la solución y la solución para los modelos de regresión, incluyendo la no-Bayesiano de los casos. Me gustaría reproducir aquí con las citas, pero tomó tres páginas, y no me importa volver a escribir y recitar tres páginas.
Hice una población de prueba en la mayor parte de el papel para el final del día de operaciones en la CRSP universo de 1925-2013 menos algunas cosas, como las compañías shell y así sucesivamente. Como todo modelo de procesos de selección son Bayesiano de procesos o la limitación de las formas de Bayesiana procesos, I concedió sólo una posibilidad entre un millón de que el artículo anterior fue correcta. La asunción de Gaussianidad fue concedido 999999/100000 antes de probabilidad de la verdad. El modelo de Gauss fue rechazada abrumadoramente a pesar de la previa sesgo para ello. La gente puede argumentar la teoría de todo lo que quieran, pero es una locura para discutir con la población de los datos.
Volver a la primera GARCH papel, lo tengo en un archivo en algún lugar, pero no tengo la cita en mí, porque yo no lo encuentro en ellos. Se advierte que las acciones no tienen las propiedades necesarias para GARCH para trabajar. Usted está recibiendo la respuesta de porque se está utilizando algoritmos cuya distancia de la naturaleza es tan grande que la de Kullback–Leibler divergencia entre lo que son la estimación y cómo se está estimando es muy grande.
Recomiendo a todos los artículos arriba mencionados y usted puede dejar de usar GARCH ahora. También, tenga en cuenta que esto no es un auto-promoción, publicación, pero hay pocos revisados los argumentos desde los años '60 en esto, y no proporcionar los primeros principios de la razón para las distribuciones que se observan. Si bien hay artículos sobre diversos estable distribuciones, que son, básicamente, los artículos en el ajuste de parámetros en lugar de por qué los parámetros de existir en primer lugar.
Si yo fuera usted, me gustaría empezar con el Parmigiani libro no es acerca de las finanzas en todos y en lugar de trasfondo sobre los principios matemáticos.
