KOPS - Das Institutionelle Repositorium der Universität Konstanz

Stationary and nonstationary Farima models : model choice, forecasting, aggregation and intervention

Stationary and nonstationary Farima models : model choice, forecasting, aggregation and intervention

Zitieren

Dateien zu dieser Ressource

Prüfsumme: MD5:5e46c043eba044a6e59102f1160798c4

OCKER, Dirk, 1999. Stationary and nonstationary Farima models : model choice, forecasting, aggregation and intervention

@phdthesis{Ocker1999Stati-733, title={Stationary and nonstationary Farima models : model choice, forecasting, aggregation and intervention}, year={1999}, author={Ocker, Dirk}, address={Konstanz}, school={Universität Konstanz} }

eng 1999 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. deposit-license Ocker, Dirk Stationäre und nichtstationäre Farima-Modelle - Modellwahl, Vorhersage, Aggregation und Intervention 2011-03-22T17:45:40Z 2011-03-22T17:45:40Z Ocker, Dirk Stationary and nonstationary Farima models : model choice, forecasting, aggregation and intervention application/pdf

Dateiabrufe seit 01.10.2014 (Informationen über die Zugriffsstatistik)

diss.pdf 130

Das Dokument erscheint in:

KOPS Suche


Stöbern

Mein Benutzerkonto