Vše
Vše

Co hledáte?

Vše
Projekty
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Self-weighted recursive estimation of GARCH models

Identifikátory výsledku

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Self-weighted recursive estimation of GARCH models

  • Popis výsledku v původním jazyce

    The generalized autoregressive conditional heteroscedasticity (GARCH) processes are frequently used to investigate and model financial returns. They are routinely estimated by computationally complex off-line estimation methods, for example, by the conditional maximum likelihood procedure. However, in many empirical applications (especially in the context of high-frequency financial data), it seems necessary to apply numerically more effective techniques to calibrate and monitor such models. The aims of this contribution are: (i)to review the previously introduced recursive estimation algorithms and to derive self-weighted alternatives applying general recursive identification instruments, and (ii)to examine these methods by means of simulations and an empirical application.

  • Název v anglickém jazyce

    Self-weighted recursive estimation of GARCH models

  • Popis výsledku anglicky

    The generalized autoregressive conditional heteroscedasticity (GARCH) processes are frequently used to investigate and model financial returns. They are routinely estimated by computationally complex off-line estimation methods, for example, by the conditional maximum likelihood procedure. However, in many empirical applications (especially in the context of high-frequency financial data), it seems necessary to apply numerically more effective techniques to calibrate and monitor such models. The aims of this contribution are: (i)to review the previously introduced recursive estimation algorithms and to derive self-weighted alternatives applying general recursive identification instruments, and (ii)to examine these methods by means of simulations and an empirical application.

Klasifikace

  • Druh

    Jimp - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10103 - Statistics and probability

Návaznosti výsledku

Ostatní

  • Rok uplatnění

    2018

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Communications in Statistics Part B: Simulation and Computation

  • ISSN

    0361-0918

  • e-ISSN

  • Svazek periodika

    47

  • Číslo periodika v rámci svazku

    2

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    14

  • Strana od-do

    315-328

  • Kód UT WoS článku

    000424159000001

  • EID výsledku v databázi Scopus

    2-s2.0-85038364267

Základní informace

Druh výsledku

Jimp - Článek v periodiku v databázi Web of Science

Jimp

OECD FORD

Statistics and probability

Rok uplatnění

2018