Алгоритм оценки динамической корреляции между временными рядами, связанными моделью TVP-регрессии
https://doi.org/10.21686/2413-2829-2025-3-34-40
Аннотация
В данном исследовании предложен алгоритм оценивания динамической корреляции временных рядов, связанных между собой моделью TVP-регрессии. Актуальность данной задачи обусловлена тем, что зачастую такая модель описывает поведение активов на финансовых рынках, а при помощи моделирования их корреляционной связи во времени можно учитывать риски, что является неотъемлемой частью построения стратегии формирования инвестиционного портфеля. Также такая методика может применяться при изучении эффекта распространения шоков на финансовых рынках во время кризисов. Цель исследования – оценка эффективности описанного в работе алгоритма в сравнении с классическим алгоритмом DCC GARCH. Сравнение данного алгоритма с методом DCC GARCH было проведено на синтетических данных при нескольких значениях дисперсии ошибки процесса. В результате при всех рассмотренных значениях дисперсий ошибки процесса предложенный алгоритм показал лучший результат в терминах среднеквадратической ошибки оцененной корреляции и реальной. Однако было замечено, что для более высоких значений ошибки процесса разница в качестве результата, полученного предложенным алгоритмом и методом DCC GARCH, снижается. В заключение были отмечены недостатки предложенного алгоритма.
Об авторах
Н. А. МоисеевРоссия
Никита Александрович Моисеев доктор экономических наук, профессор, профессор кафедры математических методов в экономике
109992, Москва, Стремянный пер., д. 36
Г. В. Айвазян
Россия
Григорий Витальевич Айвазян аспирант кафедры математических методов в экономике
109992, Москва, Стремянный пер., д. 36
Список литературы
1. Bala D. A., Takimoto T. Stock Markets Volatility Spillovers During Financial Crises: A DCC-MGARCH with Skewed-T Density Approach // Borsa Istanbul Review. – 2017. – Vol. 17. – N 1. – P. 25–48.
2. Engle R. Dynamic Conditional Correlation: A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models // Journal of Business & Economic Statistics. – 2002. – Vol. 20 (3). – P. 339–350.
3. Fakhfekh M. et al. Hedging Stock Market Prices with WTI, Gold, VIX and Cryptocurrencies: A Comparison between DCC, ADCC and GO-GARCH Models // International Journal of Emerging Markets. – 2023. – Vol. 18. – N 4. – P. 978–1006.
4. Ji X. et al. Contagion Effect of Financial Markets in Crisis: An Analysis Based on the DCC– MGARCH Model // Mathematics. – 2022. – Vol. 10. – N 11. – P. 1819.
5. Joyo A. S., Lefen L. Stock Market Integration of Pakistan with its Trading Partners: A Multivariate DCC-GARCH Model Approach // Sustainability. – 2019. – Vol. 11. – N 2. – P. 303.
6. Nakajima J. et al. Time-Varying Parameter VAR Model with Stochastic Volatility: An Overview of Methodology and Empirical Applications // Monetary and Economic Studies. – 2011. – N 29. – P. 107–142.
Рецензия
Для цитирования:
Моисеев Н.А., Айвазян Г.В. Алгоритм оценки динамической корреляции между временными рядами, связанными моделью TVP-регрессии. Вестник Российского экономического университета имени Г. В. Плеханова. 2025;(3):34-40. https://doi.org/10.21686/2413-2829-2025-3-34-40
For citation:
Moiseev N.A., Aivazian G.V. Algorithm of Assessing Dynamic Correlation between Time Series Connected by TVP-Regression Model. Vestnik of the Plekhanov Russian University of Economics. 2025;(3):34-40. (In Russ.) https://doi.org/10.21686/2413-2829-2025-3-34-40