Sou analista nas áreas financeira e de seguros e sempre que tento ajustar modelos de volatilidade, obtenho resultados terríveis: os resíduos geralmente são não estacionários (no sentido da raiz da unidade) e heterocedásticos (para que o modelo não explique a volatilidade).
Os modelos ARCH / GARCH funcionam com outro tipo de dados, talvez?
Editado em 17/04/2015 15:07 para esclarecer alguns pontos.
time-series
garch
volatility-forecasting
arch
Stefano R.
fonte
fonte
Respostas:
Minhas experiências com programação / implementação e teste de procedimentos ARCH / GARCH me levaram à conclusão de que eles devem ser úteis em algum lugar e em algum lugar, mas eu não o vi. Violações gaussianas, como valores incomuns / mudanças de nível / pulsos sazonais e tendências da hora local, devem ser usadas inicialmente para lidar com alterações na variação da volatilidade / erro, pois causam efeitos colaterais menos graves. Após qualquer um desses ajustes, é possível tomar cuidado para validar se os parâmetros do modelo são constantes ao longo do tempo. Além disso, a variação de erros pode não ser constante, mas remédios mais simples / menos invasivos, como Box-Cox e detectar pontos de interrupção determinísticos na variação de erros, ala Tsay são muito mais úteis e menos destrutivos. Finalmente, se nenhum desses procedimentos funcionar, meu último suspiro seria jogar ARCH / GARCH nos dados e adicionar uma tonelada de água benta.
fonte
Algumas informações básicas primeiro:
2: sobre heterocedasticidade
Mais poderia ser dito quando você esclarece quais resíduos você tem em mente.
Minha experiência com os modelos GARCH (reconhecidamente limitados) é que eles fazem seu trabalho, mas é claro que não são uma panacéia.
fonte