view in publisher's site

Forecasting volatility with component conditional autoregressive range model

Highlights•We propose a component CARR (CCARR) model for forecasting volatility.•The CCARR model is capable of capturing long memory volatility.•The CCARR model is intuitive and convenient to implement.•Empirical results on six stock market indices are in favor of the CCARR model.AbstractIn this paper, we propose a component conditional autoregressive range (CCARR) model for forecasting volatility. The proposed CCARR model assumes that the price range comprises both a long-run (trend) component and a short-run (transitory) component, which has the capacity to capture the long memory property of volatility. The model is intuitive and convenient to implement by using the maximum likelihood estimation method. Empirical analysis using six stock market indices highlights the value of incorporating a second component into range (volatility) modelling and forecasting. In particular, we find that the proposed CCARR model fits the data better than the CARR model, and that it generates more accurate out-of-sample volatility forecasts and contains more information content about the true volatility than the popular GARCH, component GARCH and CARR models.

پیش‌بینی نوسانات با مدل دامنه autoregressive مشروط (component)

نکات مهم: ما یک مدل component (CCARR)برای پیش‌بینی نوسانات پیش‌بینی پیشنهاد می‌کنیم. مدل CCARR قادر به ثبت نوسانات حافظه بلند است. مدل CCARR برای پیاده‌سازی شهودی و مناسب است. نتایج تجربی در شش شاخص بازار سهام به نفع of model.Abst ractIn در این مقاله هستند، ما یک مدل autoregressive range (CCARR)برای پیش‌بینی نوسانات پیش‌بینی پیشنهاد می‌کنیم. مدل پیشنهادی proposed فرض می‌کند که محدوده قیمت شامل مولفه‌های بلند مدت (گرایش)و یک مولفه گذرا (گذرا)است، که توانایی ثبت ویژگی حافظه بلند نوسانات را دارد. این مدل شهودی و مناسب است تا با استفاده از روش برآورد حداکثر احتمال اجرا شود. تحلیل تجربی با استفاده از شش شاخص بازار سهام، ارزش استفاده از مولفه دوم را در مدل‌سازی و پیش‌بینی متغیر نشان می‌دهد. به طور خاص، ما متوجه می‌شویم که مدل CCARR پیشنهادی با داده‌ها بهتر از مدل carr متناسب است، و اینکه این مدل پیش‌بینی فراریت بیشتر را ایجاد می‌کند و حاوی محتوای اطلاعاتی بیشتر در مورد فراریت واقعی نسبت به مدل‌های GARCH، GARCH و carr می‌باشد.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.