$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

비선형 평균 일반화 이분산 자기회귀모형의 추정
Estimation of nonlinear GARCH-M model 원문보기

Journal of the Korean Data & Information Science Society = 한국데이터정보과학회지, v.21 no.5, 2010년, pp.831 - 839  

심주용 (대구가톨릭대학교 응용통계학과) ,  이장택 (단국대학교 정보통계학과)

초록
AI-Helper 아이콘AI-Helper

최소제곱 서포트벡터기계는 비선형회귀분석과 분류에 널리 쓰이는 커널기법이다. 본 논문에서는 금융시계열자료의 평균 및 변동성을 추정하기 위하여 평균의 추정 방법으로는 가중최소제곱 서포트벡터기계, 변동성의 추정 방법으로는 최소제곱 서포트벡터기계를 사용하는 비선형 평균 일반화 이분산 자기회귀모형을 제안한다. 제안된 모형은 선형 일반화 이분산 자기회귀모형 및 선형 평균 일반화 이분산 자기회귀모형보다 더 나은 추정 능력을 가진다는 것을 실제자료의 추정을 통하여 보였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Least squares support vector machine (LS-SVM) is a kernel trick gaining a lot of popularities in the regression and classification problems. We use LS-SVM to propose a iterative algorithm for a nonlinear generalized autoregressive conditional heteroscedasticity model in the mean (GARCH-M) model to e...

주제어

#가중최소제곱 서포트벡터기계   #일반화 교차타당성함수   #일반화 이분산 자기회귀모형   #최소제곱 서포트벡터기계   #평균 일반화 이분산 자기회귀모형  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서는 자료의 평균이 상수가 아닌 경우, 비선형 GARCH-M모형을 추정하기 위한 Suykens와 Vanderwalle (1999)의 가중 및 비가중최소제곱 서포트벡터기계 (least squares support vector machine, LS-SVM)를 적용한 반복 알고리즘을 제안하고 기존의 선형 GARCH모형 및 선형 GARCH-M모형과 성능을 비교하고자 한다. LS-SVM 및 커널기법에 대한 자세한 내용은 Shim과 Hwang (2003), Hwang (2007) 그리고 Shim과 Lee (2009) 등에 설명되어 있다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
비선형 GARCH-M모형의 추정 알고리즘의 성능은 무엇에 의해 결정되는가? 비선형 GARCH-M모형의 추정 알고리즘의 성능은 벌칙상수와 커널모수에 의해 결정된다. 벌칙상수 (C1, C2)와 커널행렬 K1과 K2에 포함된 커널모수(#)의 최적값을 구하기 위해서 우리는 다음과 같은 교차타당성 (cross validation, CV) 함수를 고려한다.
ARCH모형 중 GARCH모형들은 어디에 사용되는가? ARCH모형은 자산수익률의 변동성의 특징을 표현 하기 위해서 GARCH, EGARCH, IGARCH, TGARCH모형 등과 같은 조건부 분산모형으로 확대되었다. 이런 GARCH모형들은 실제 금융시계열자료를 분석하기위해 널리 사용되고 있는데, GARCH모형 중 가장 대표적인 모형은 GARCH(1,1)모형이며 자세한 내용은 Bollerslev (1986), Najand와 Yung (1991)에 설명되어있다.
ARCH모형은 어떻게 확대되었는가? 변동성군집 또는 두꺼운 꼬리의 분포를 갖는 시계열을 조건부 분산의 관점에서 Engle (1982)은 변동성 (volatility)을 갖는 금융시계열을 조건부 분산의 관점에서 모형화하기 위하여 ARCH (autoregressive conditional heteroscedasticity)모형을 제안하였다. ARCH모형은 자산수익률의 변동성의 특징을 표현 하기 위해서 GARCH, EGARCH, IGARCH, TGARCH모형 등과 같은 조건부 분산모형으로 확대되었다. 이런 GARCH모형들은 실제 금융시계열자료를 분석하기위해 널리 사용되고 있는데, GARCH모형 중 가장 대표적인 모형은 GARCH(1,1)모형이며 자세한 내용은 Bollerslev (1986), Najand와 Yung (1991)에 설명되어있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (15)

  1. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31, 307-327. 

    상세보기 crossref

  2. Domowitz, I. and Hakkio, C. S. (1985). Conditional variance and the riskpremium in the foreign exchange market. Journal of International Economics, 18, 47-66. 

  3. Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50, 987-1007. 

    상세보기 crossref

  4. Hwang, C. (2007). Kernel machine for Poisson regression. Journal of Korean Data & Information Science Society, 18, 767-772. 

  5. Hwang, C. and Shin, S. (2010). Estimating GARCH models using kernel machine learning. Journal of Korean Data & Information Science Society, 21, 419-425. 

  6. Kimeldorf, G. S. and Wahba, G. (1971). Some results on Tchebycheffian spline functions. Journal of Mathematical Analysis and its Applications, 33, 82-95. 

    상세보기 crossref

  7. Kuhn, H. W. and Tucker, A. W. (1951). Nonlinear programming. Proceedings of 2nd Berkeley Symposium, University of California Press, Berkeley, 481-492. 

  8. Mercer, J. (1909). Function of positive and negative type and their connection with theory of integral equations. Philosophical Transactions of Royal Society, A, 415-446. 

  9. Najand, M. and Yung, K. (1991). A GARCH examination of the relationship between volume and price variability in futures markets. The Journal of Futures Markets, 11, 613-621. 

    상세보기 crossref

  10. Perez Cruz, F., Afonso Rodriguez, J. A. and Giner, J. (2003). Estimating GARCH models using support vector machines. Quantitative Finance, 3, 163-172. 

    상세보기 crossref

  11. Shim, J. and Hwang, C. (2003). Prediction intervals for LS-SVM regression using the bootstrap. Journal of Korean Data & Information Science Society, 14, 337-343. 

  12. Shim, J. and Lee, J. T. (2009). Kernel method for autoregressive data. Journal of Korean Data & Information Science Society, 20, 467-472. 

  13. Suykens, J. A. K. and Vanderwalle, J. (1999). Least square support vector machine classifier. Neural Processing Letters, 9, 293-300. 

    crossref

  14. Suykens, J. A. K., De Brabanter, J., Lukas, L. and Vandewalle, J. (2002). Weighted least squares support vector machines: Robustness and sparse approximation. Neurocomputing, 66, 85-105 

  15. Vapnik, V. N. (1998). Statistical Learning Theory, John Wiley, New York. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로