Detection and Modeling of Asymmetric GARCH Effects in a Discrete-Time Series
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study traced the patterns of discrete time series over time with respect to GARCH effect and asymmetric GARCH effect. Particularly, we paid attention to the weakness of the GARCH model in modeling the asymmetry of GARCH effect. In order to handle this weakness, we applied the sign and size bias test which comprises sign bias test, negative size bias test, positive size bias test, and Lagrange Multiplier test in order to identify the asymmetric effect in the residual series of the GARCH model. Where the asymmetric effect is present and significant, we fit the asymmetric GARCH models. Exploring the share price returns of Zenith bank plc obtained from the Nigerian Stock Exchange from January 4, 2006 to May 26, 2015, our findings indicated the presence of GARCH effect and was adequately captured by GARCH(0,1) model. Also, the sign and size bias test for asymmetric GARCH effect on the residual series of GARCH(0,1) model showed a joint significance as indicated by the Lagrange Multiplier test. Moreover, the asymmetric GARCH effect was adequately captured by EGARCH(0,1) and TGARCH(0,1) models. In addition, the significance of the size bias test indicated that the size of negative and positive returns has an impact on the predicted heteroscedasticity. Hence, we concluded that GARCH(0,1) model adequately predicted the GARCH effect but failed to capture the asymmetric effect in the share price returns of the discrete series. However, this was complemented by both EGARCH(0,1) and TGARCH(0,1) models with the size of both the negative and positive effects taken into consideration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle