Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
21
nowałtenmodeldouchwyceniawpływównagłychradykalnychpolitycznych
igospodarczychwydarzeńnawłasnościfinansowychigospodarczychszeregów
czasowych.
J.D.HamiltoniR.Susmel[1994]zaproponowalimodelzprzełączeniem
reżimuARCH(SWARCH),gdziezmianywreżimiesąmodelowanejakozmiany
wskaliprocesuARCH.Stwierdzilioni,żedlatygodniowychzwrotówindeksu
kapitałowegogiełdynowojorskiejspecyfikacjaARCHzprzełączeniemreżimu
dajelepszeodjegostandardowejpostacistatystycznedopasowaniedodanych9
lepszeprognozyilepszyopiskrachuzpaździernika1987r.
Modeleprzełącznikowemożnarównieżrozwinąćtak,żeprawdopodo-
bieństworeżimuzależynietylkoodreżimiupoprzedniegookresu,lecztakże
odwektorainnychobserwowanychzmiennych.Wkilkupracachrozwinięto
modelHamiltonapoprzezwłączenieczasowo-zmiennychprawdopodobieństw
przełączeniastanu.NaprzykładF.Diebold,J.LeeiG.Weinbach[1994]oraz
A.J.Filardo[1994]uwzględniliprawdopodobieństwaprzejściastanuewoluujące
jakofunkcjelogistyczneobserwowanychfundamentówgospodarczych.Istnieje
kilkaróżnychwersjimodeliGARCHzprzełączeniemMarkowa(MSGARCH,
MarkovswitchingGARCH),którychopismożnaznaleźćnp.wpracach:[Cai
19949Gray19969Klaassen20029Haas9MittnikiPaolella2004].
Niecoinnąklasęmodelistanowiąmodeleprogowe,wktórychreżimobo-
wiązującywmomencietjestokreślonyprzezpewnązmiennąobserwowalną.
Podstawowymireprezentantamitejklasymodelisą:modelTAR(thresholdauto-
regresive)9modelprogowySETAR(self-excitingthresholdautoregresive)9model
wygładzonegoprzejściaSTAR(smoothtransitionautoregressive).Tenostatni
dopuszczałagodniejszązmianęreżimu,wprzeciwieństwiedozmianskokowych
wpoprzednichmodelach.
C.Q.CaoiR.T.Tsay[1993]zastosowaliwswoimopracowaniuautoregresyjny
modelprogowy(TAR)doopisumiesięcznychszeregówzmienności.Porównali
oniprognozymodeliTARzmodelamiARMA,GARCHiEGARCH,używając
jakokryteriówśredniegobłędukwadratowegoiśredniegoodchyleniaabsolut-
nego.Badaniawykazały,żemodeleTARradziłysobiesystematycznielepiejod
modeliARMAwprognozachwielokrokowychdlazwrotówzindeksuS&P500.
ModeleTARdostarczyłyteżlepszychprognozniżmodeleGARCHiEGARCH
dlazmiennościtychsamychakcji,natomiastmodelEGARCHokazałsięnajlep-
szywdługookresowychprognozachzmienności.
ModeleGARCH,zpowoduichspecyfikacji,niemogąuwzględniaćasyme-
triiwzmienności.J.M.Zakoian[1994]wprowadziłzateminnąfunkcjonalną
formędouwzględnieniaasymetriiwzmienności-modelprogowyGARCH
(thresholdGARCH-TGARCH).WmodeluTGARCH9jakwewspomnianym
wcześniejmodeluEGARCH,dodatnieiujemneinnowacjejednakowejwielkości
niegenerujątakiejsamejzmienności.GłównązaletąmodeluEGARCHjestto,
