Moving Average Stochastische Volatilität Modelle Mit Anwendung Zu Inflation Prognose

Verschieben von durchschnittlichen stochastischen Volatilitätsmodellen mit Anwendung auf die Inflationsprognose Zusammenfassung: Wir stellen eine neue Klasse von Modellen vor, die sowohl stochastische Volatilität als auch gleitende Durchschnittsfehler aufweist, wobei das bedingte Mittel eine Zustandsraumdarstellung aufweist. Eine gleitende mittlere Komponente bedeutet jedoch, dass die Fehler in der Messgleichung nicht mehr seriell unabhängig sind und die Schätzung schwieriger wird. Wir entwickeln einen hinteren Simulator, der auf den jüngsten Fortschritten in der Präzisions-basierten Algorithmen für die Schätzung dieser neuen Modelle basiert. In einer empirischen Anwendung, die US-Inflation beinhaltet, stellen wir fest, dass diese gleitenden durchschnittlichen stochastischen Volatilitätsmodelle eine bessere Prognoseleistung im Vergleich zu den Standardvarianten mit nur stochastischer Volatilität bieten. Exportreferenz: BibTeX RIS (EndNote, ProCite, RefMan) HTML Text Journal of Econometrics wird derzeit von T. Amemiya bearbeitet. A. R. Gallant. J. F. Geweke. C. Hsiao und PM Robinson Weitere Artikel in Journal of Econometrics von Elsevier Serie Daten von Shamier, Wendy () gepflegt. Moving durchschnittliche stochastische Volatilität Modelle mit Anwendung auf Inflation Prognose Wir stellen eine neue Klasse von Modellen, die sowohl stochastische Volatilität und gleitende durchschnittliche Fehler hat , Wobei das bedingte Mittel eine Zustandsraumdarstellung aufweist. Eine gleitende mittlere Komponente bedeutet jedoch, dass die Fehler in der Messgleichung nicht mehr seriell unabhängig sind und die Schätzung schwieriger wird. Wir entwickeln einen hinteren Simulator, der auf den jüngsten Fortschritten in der Präzisions-basierten Algorithmen für die Schätzung dieser neuen Modelle basiert. In einer empirischen Anwendung, die US-Inflation beinhaltet, stellen wir fest, dass diese gleitenden durchschnittlichen stochastischen Volatilitätsmodelle eine bessere Prognoseleistung im Vergleich zu den Standardvarianten mit nur stochastischer Volatilität bieten. JEL Klassifizierung Zustandsraum Unbeobachtete Komponenten Modell Präzision Sparse Dichte Vorhersage Korrespondenz an: Research School of Economics, ANU Hochschule für Wirtschaft und Wirtschaft, LF Crisp Building 26, Die Australian National University, Canberra ACT 0200, Australien. Tel. 61 2 612 57358 Fax: 61 2 612 50182. Copyright-Kopie 2013 Elsevier B. V. Alle Rechte vorbehalten.