Gleitende Durchschnittliche Stochastische Volatilitätsmodelle Mit Anwendung Auf Die Inflationsprognose

Gleitende durchschnittliche und stochastische Volatilität sind zwei wichtige Komponenten für die Modellierung und Prognose makroökonomischer und finanzieller Zeitreihen. Ersteres zielt darauf ab, kurzfristige Dynamik zu erfassen, während letztere Volatilitäts-Clustering und zeitveränderliche Volatilität ermöglicht. Wir stellen eine neue Klasse von Modellen vor, die diese beiden nützlichen Funktionen enthält. Die neuen Modelle erlauben es dem bedingten Mittelprozess, eine Zustandsraumform zu haben. Daher umfasst dieses allgemeine Rahmenwerk eine breite Palette an gängigen Spezifikationen, einschließlich der nicht beobachteten Komponenten und zeitvariablen Parametermodelle. Ein gleitender Durchschnittsprozess bedeutet jedoch, dass die Fehler in der Messgleichung nicht mehr seriell unabhängig sind und die Schätzung schwieriger wird. Wir entwickeln einen hinteren Simulator, der auf den jüngsten Fortschritten in der Präzisions-basierten Algorithmen für die Schätzung dieser neuen Klasse von Modellen basiert. In einer empirischen Anwendung, die die US-Inflation involviert, stellen wir fest, dass diese gleitenden durchschnittlichen stochastischen Volatilitätsmodelle eine bessere Prognoseperformance in der Probe und eine Out-of-sample-Prognose liefern als die Standardvarianten mit nur stochastischer Volatilität. Exportreferenz: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Diese Seite ist Teil von RePEc und alle hier angezeigten Daten sind Bestandteil des RePEc-Datensatzes. Ist Ihre Arbeit fehlt bei RePEc Hier ist, wie Sie beitragen. Fragen oder Probleme Überprüfen Sie die EconPapers FAQ oder senden Sie eine E-Mail an. Zusammenfassung: Wir stellen eine neue Klasse von Modellen vor, die sowohl stochastische Volatilität als auch gleitende Durchschnittsfehler aufweist, wobei das bedingte Mittel eine Zustandsraumdarstellung aufweist. Eine gleitende mittlere Komponente bedeutet jedoch, dass die Fehler in der Messgleichung nicht mehr seriell unabhängig sind und die Schätzung schwieriger wird. Wir entwickeln einen hinteren Simulator, der auf den jüngsten Fortschritten in der Präzisions-basierten Algorithmen für die Schätzung dieser neuen Modelle basiert. In einer empirischen Anwendung, die die US-Inflation beinhaltet, finden wir, dass diese gleitenden durchschnittlichen stochastischen Volatilitätsmodelle eine bessere Prognoseleistung und eine Out-of-Sample-Prognoseperformance liefern als die Standardvarianten mit nur stochastischer Volatilität. Exportreferenz: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Diese Seite ist Teil von RePEc und alle hier angezeigten Daten sind Bestandteil des RePEc-Datensatzes. Ist Ihre Arbeit fehlt bei RePEc Hier ist, wie Sie beitragen. Fragen oder Probleme Überprüfen Sie die EconPapers FAQ oder senden Sie eine E-Mail an. Page aktualisiert 2017-01-17Moving durchschnittliche stochastische Volatilität Modelle mit Anwendung auf die Inflation Prognose Joshua C. C. Chan. . Research School of Economics, Australian National University, Australien Erhalten 27. März 2012. Überarbeitet 15. Oktober 2012. Akzeptiert 23. Mai 2013. Erhältlich online 30. Mai 2013. Wir stellen eine neue Klasse von Modellen, die sowohl stochastische Volatilität und gleitende durchschnittliche Fehler, wo die Bedingte Mittel eine Zustandsraumdarstellung aufweist. Eine gleitende mittlere Komponente bedeutet jedoch, dass die Fehler in der Messgleichung nicht mehr seriell unabhängig sind und die Schätzung schwieriger wird. Wir entwickeln einen hinteren Simulator, der auf den jüngsten Fortschritten in der Präzisions-basierten Algorithmen für die Schätzung dieser neuen Modelle basiert. In einer empirischen Anwendung, die US-Inflation beinhaltet, stellen wir fest, dass diese gleitenden durchschnittlichen stochastischen Volatilitätsmodelle eine bessere Prognoseleistung im Vergleich zu den Standardvarianten mit nur stochastischer Volatilität bieten. JEL-Klassifizierung Zustandsraum Unbeobachtete Komponenten Modell Precision Sparse Dichteprognose Tabelle 1. Abb. Fig. Fig. Tabelle 2. Fig. 5.