Stationary and nonstationary Farima models : model choice, forecasting, aggregation and intervention
| dc.contributor.author | Ocker, Dirk | deu |
| dc.date.accessioned | 2011-03-22T17:45:40Z | deu |
| dc.date.available | 2011-03-22T17:45:40Z | deu |
| dc.date.issued | 1999 | deu |
| dc.description.abstract | Die vorliegende Dissertation befasst sich mit der Modellwahl, Vorhersage, temporalen Aggregation und Interventionsanalyse stationärer und nichtstationärer fraktioneller autoregressiver Prozesse, sowie einer extensiven Anwendung auf weltweite Finanzmarktdaten. Stationäre fraktionelle autoregressive Modelle wurden zuerst von Granger und Joyeux (1980), sowie Hosking (1981) eingeführt. Sie dienen vor allem zur stochastischen Modellierung stationärer Zeitreihen mit langfristigen Abhängigkeiten (oder langem Gedächtnis, bzw. Persistenz), die aber nicht so stark sind, dass eine einfache Differenzenbildung im Rahmen traditioneller Box-Jenkins Modelle adäquat wäre. Unglücklicherweise ist die stochastische Theorie dieser Modelle typischerweise auf den stationären Bereich des Differenzenparameters d beschränkt. In einem aktuellen Artikel zeigte Beran (1995) jedoch, dass jedes reellwertige d>-0,5 durch einen approximativen Maximum-Likelihood-Schätzer bestimmt werden kann. Insbesondere kann dadurch die mit der Schätzung des Differenzenparameters d>-0,5 verbundene Unsicherheit in den Konfidenzintervallen der autoregressiven Parameter berücksichtigt werden. Beran (1995) zeigte dies aber nur für den Fall, dass die autoregressive Ordnung a priori bekannt sei. Eine entsprechende Verallgemeinerung findet sich jedoch in Beran, Bhansali und Ocker (1998). Wir entwickelten eine Version des Akaike-Informationskriteriums (AIC) zur Bestimmung der autoregressiven Ordnung, wenn sowohl d als auch die autoregressiven Parameter simultan geschätzt werden. Die Resultate in Beran und Ocker (1999) über die Vorhersage fraktioneller autoregressiver Prozesse rundeten schliesslich diesen vereinheitlichten Ansatz zur simultanen Modellierung und Prädiktion stationärer und nichtstationärer Prozesse mit kurzfristigen und langfristigen Abhängigkeiten ab. | deu |
| dc.description.version | published | |
| dc.format.mimetype | application/pdf | deu |
| dc.identifier.ppn | 088851044 | deu |
| dc.identifier.uri | http://kops.uni-konstanz.de/handle/123456789/733 | |
| dc.language.iso | eng | deu |
| dc.legacy.dateIssued | 2000 | deu |
| dc.rights | terms-of-use | deu |
| dc.rights.uri | https://rightsstatements.org/page/InC/1.0/ | deu |
| dc.subject | AIC | deu |
| dc.subject | BIC | deu |
| dc.subject | HIC | deu |
| dc.subject | autoregressiver Prozess | deu |
| dc.subject | Box-Jenkins ARIMA | deu |
| dc.subject | Differenz | deu |
| dc.subject | fraktioneller ARIMA-Prozess | deu |
| dc.subject | langfristige Abhängigkeit | deu |
| dc.subject | AIC | deu |
| dc.subject | BIC | deu |
| dc.subject | HIC | deu |
| dc.subject | autoregressive process | deu |
| dc.subject | Box-Jenkins ARIMA | deu |
| dc.subject | differencing | deu |
| dc.subject | fractional ARIMA | deu |
| dc.subject | long-range dependence | deu |
| dc.subject.ddc | 510 | deu |
| dc.title | Stationary and nonstationary Farima models : model choice, forecasting, aggregation and intervention | eng |
| dc.title.alternative | Stationäre und nichtstationäre Farima-Modelle - Modellwahl, Vorhersage, Aggregation und Intervention | deu |
| dc.type | DOCTORAL_THESIS | deu |
| dspace.entity.type | Publication | |
| kops.citation.bibtex | @phdthesis{Ocker1999Stati-733,
year={1999},
title={Stationary and nonstationary Farima models : model choice, forecasting, aggregation and intervention},
author={Ocker, Dirk},
address={Konstanz},
school={Universität Konstanz}
} | |
| kops.citation.iso690 | OCKER, Dirk, 1999. Stationary and nonstationary Farima models : model choice, forecasting, aggregation and intervention [Dissertation]. Konstanz: University of Konstanz | deu |
| kops.citation.iso690 | OCKER, Dirk, 1999. Stationary and nonstationary Farima models : model choice, forecasting, aggregation and intervention [Dissertation]. Konstanz: University of Konstanz | eng |
| kops.citation.rdf | <rdf:RDF
xmlns:dcterms="http://purl.org/dc/terms/"
xmlns:dc="http://purl.org/dc/elements/1.1/"
xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
xmlns:bibo="http://purl.org/ontology/bibo/"
xmlns:dspace="http://digital-repositories.org/ontologies/dspace/0.1.0#"
xmlns:foaf="http://xmlns.com/foaf/0.1/"
xmlns:void="http://rdfs.org/ns/void#"
xmlns:xsd="http://www.w3.org/2001/XMLSchema#" >
<rdf:Description rdf:about="https://kops.uni-konstanz.de/server/rdf/resource/123456789/733">
<dcterms:hasPart rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/733/1/diss.pdf"/>
<dc:contributor>Ocker, Dirk</dc:contributor>
<dc:format>application/pdf</dc:format>
<dcterms:isPartOf rdf:resource="https://kops.uni-konstanz.de/server/rdf/resource/123456789/39"/>
<dc:language>eng</dc:language>
<dc:date rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2011-03-22T17:45:40Z</dc:date>
<dcterms:alternative>Stationäre und nichtstationäre Farima-Modelle - Modellwahl, Vorhersage, Aggregation und Intervention</dcterms:alternative>
<void:sparqlEndpoint rdf:resource="http://localhost/fuseki/dspace/sparql"/>
<dcterms:issued>1999</dcterms:issued>
<dcterms:abstract xml:lang="deu">Die vorliegende Dissertation befasst sich mit der Modellwahl,<br />Vorhersage, temporalen Aggregation und Interventionsanalyse<br />stationärer und nichtstationärer fraktioneller autoregressiver<br />Prozesse, sowie einer extensiven Anwendung auf weltweite<br />Finanzmarktdaten.<br /><br />Stationäre fraktionelle autoregressive Modelle wurden zuerst von<br />Granger und Joyeux (1980), sowie<br />Hosking (1981) eingeführt. Sie dienen vor allem zur<br />stochastischen Modellierung stationärer Zeitreihen mit<br />langfristigen Abhängigkeiten (oder langem Gedächtnis, bzw.<br />Persistenz), die aber nicht so stark sind, dass eine einfache<br />Differenzenbildung im Rahmen traditioneller Box-Jenkins Modelle<br />adäquat wäre.<br />Unglücklicherweise ist die stochastische Theorie dieser Modelle<br />typischerweise auf den stationären Bereich des<br />Differenzenparameters d beschränkt. In<br />einem aktuellen Artikel zeigte Beran (1995) jedoch, dass<br />jedes reellwertige d>-0,5 durch einen approximativen<br />Maximum-Likelihood-Schätzer bestimmt werden kann.<br />Insbesondere kann dadurch die mit der Schätzung des<br />Differenzenparameters d>-0,5 verbundene Unsicherheit in den<br />Konfidenzintervallen der autoregressiven Parameter<br />berücksichtigt werden. Beran (1995) zeigte dies aber nur für den Fall,<br />dass die autoregressive Ordnung a priori<br />bekannt sei. Eine entsprechende Verallgemeinerung findet sich<br />jedoch in Beran, Bhansali und Ocker (1998).<br />Wir entwickelten eine Version des Akaike-Informationskriteriums<br />(AIC) zur Bestimmung der autoregressiven Ordnung, wenn sowohl d<br />als auch die autoregressiven Parameter simultan geschätzt<br />werden. Die Resultate in Beran und Ocker (1999)<br />über die Vorhersage fraktioneller autoregressiver Prozesse rundeten schliesslich<br />diesen vereinheitlichten Ansatz zur simultanen Modellierung und<br />Prädiktion stationärer und nichtstationärer Prozesse mit<br />kurzfristigen und langfristigen Abhängigkeiten ab.</dcterms:abstract>
<dcterms:title>Stationary and nonstationary Farima models : model choice, forecasting, aggregation and intervention</dcterms:title>
<dcterms:available rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2011-03-22T17:45:40Z</dcterms:available>
<dc:creator>Ocker, Dirk</dc:creator>
<dspace:isPartOfCollection rdf:resource="https://kops.uni-konstanz.de/server/rdf/resource/123456789/39"/>
<dcterms:rights rdf:resource="https://rightsstatements.org/page/InC/1.0/"/>
<bibo:uri rdf:resource="http://kops.uni-konstanz.de/handle/123456789/733"/>
<dspace:hasBitstream rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/733/1/diss.pdf"/>
<dc:rights>terms-of-use</dc:rights>
<foaf:homepage rdf:resource="http://localhost:8080/"/>
</rdf:Description>
</rdf:RDF> | |
| kops.date.examination | 2000-02-14 | deu |
| kops.description.abstract | The dissertation deals with model choice, forecasting, temporal<br />aggregation and intervention analysis of stationary and<br />nonstationary fractional autoregressive processes, and provides an<br />extensive application to worldwide financial time series.<br /><br />The stationary fractional autoregressive model was first<br />introduced by Granger and Joyeux (1980), and<br />Hosking (1981) for modeling stationary time series with<br />long-range dependence (or long memory, or persistence) and for<br />avoiding the problem of overdifferencing which is often<br />encountered in the usual Box-Jenkins setting. Unfortunately, the<br />stochastic theory known so far has been restricted to the<br />stationary range of the fractional differencing parameter d.<br />Recently, Beran (1995) has shown that<br />any real value of d>-.5 can be estimated by an approximate maximum<br />likelihood estimator. In particular, the resulting confidence<br />intervals for the autoregressive parameters take into account the<br />additional uncertainty due to the estimation of d.<br />Beran's (1995) results are, however, obtained under the<br />assumption that the autoregressive order is known a priori. This<br />problem was solved by Beran, Bhansali and<br />Ocker (1998). We derived a version of the<br />Akaike information criterion, AIC, for determining an appropriate<br />autoregressive order when d and the autoregressive parameters<br />are estimated simultaneously by Beran's (1995) maximum<br />likelihood procedure. The findings of Beran and<br />Ocker (1999) on forecasting for (possibly<br />nonstationary) fractional autoregressive processes rounded off<br />this unified framework for simultaneous modeling of stationary and<br />nonstationary, fractional and nonfractional autoregressive<br />processes. We have shown that the rate at which forecast intervals<br />converge to the asymptotic length (for stationary processes) or<br />diverge to infinity (for difference stationary processes) depends<br />on the fractional differencing parameter d>-.5.<br /><br />However, a number of open problems remain. | eng |
| kops.description.openAccess | openaccessgreen | |
| kops.identifier.nbn | urn:nbn:de:bsz:352-opus-5203 | deu |
| kops.opus.id | 520 | deu |
Dateien
Originalbündel
1 - 1 von 1
Vorschaubild nicht verfügbar
- Name:
- diss.pdf
- Größe:
- 1.36 MB
- Format:
- Adobe Portable Document Format
