Likelihood-Related Estimation Methods and Non-Gaussian GARCH Processes
Résumé
This article discusses the finite distance properties of three likelihood-based estimation strategies for GARCH processes with non-Gaussian conditional distributions: (1) the maximum likelihood approach; (2) the Quasi maximum Likelihood approach; (3) a multi-steps recursive estimation approach (REC). We first run a Monte Carlo test which shows that the recursive method may be the most relevant approach for estimation purposes. We then turn to a sample of SP500 returns. We confirm that the REC estimates are statistically dominating the parameters estimated by the two other competing methods. Regardless of the selected model, REC estimates deliver the more stable results.
Cet article décrit les propriétés à distance finie de trois stratégies d'estimation basée sur la vraisemblance pour les processus GARCH avec distributions conditionnelles non-gaussiennes : (1) l'approche du maximun de vraisemblance, (2) le quasi maximum de vraisemblance, (3) l'estimation récursives (REC). Nous introduisons tout d'abord un test de Monte Carlo qui montre que la méthode récursive est la plus pertinente en termes d'estimation. A partir d'un échantillon du SP500, nous confirmons que les estimations REC sont statistiquement dominantes pour les paramètres estimés en comparaison avec les deux autres méthodes. Les estimations REC permettent d'obtenir des résultats plus stables.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
Loading...