Stationarity has always played an important part in forecasting theory. However, some economic time series show time-varying autocovariances. The question arises whether forecasts can be improved using models that capture such a time-varying second-order structure. One possibility is given by autoregressive models with time-varying parameters. The author focuses on the development of a forecasting procedure for these processes and compares this approach to classical forecasting methods by means of Monte Carlo simulations. An evaluation of the proposed procedure is given by its application to futures prices and the Dow Jones index. The approach turns out to be superior to the classical methods if the sample sizes are large and the forecasting horizons do not range too far into the future
ترجمه فارسی (ترجمه ماشینی)
ثابت بودن همیشه نقش مهمی در تئوری پیش بینی ایفا کرده است. با این حال، برخی از سری های زمانی اقتصادی، اتوکوواریانس های متغیر با زمان را نشان می دهند. این سوال مطرح میشود که آیا میتوان پیشبینیها را با استفاده از مدلهایی بهبود بخشید که چنین ساختار مرتبه دوم متغیر با زمان را نشان میدهند. یک امکان توسط مدلهای اتورگرسیو با پارامترهای متغیر زمان داده شده است. نویسنده بر توسعه یک روش پیشبینی برای این فرآیندها تمرکز میکند و این رویکرد را با روشهای پیشبینی کلاسیک با استفاده از شبیهسازی مونت کارلو مقایسه میکند. ارزیابی روش پیشنهادی با کاربرد آن در قیمتهای آتی و شاخص داو جونز ارائه میشود. اگر اندازه نمونه بزرگ باشد و افق های پیش بینی در آینده خیلی دور نباشد، این رویکرد نسبت به روش های کلاسیک برتر است.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.