Tez No	İndirme	Tez Künye	Durumu
438278		Bayesian estimation of the parameters of the ARCH and GARCH models using lindley's approximation / Lindley yaklaşımı kullanılarak ARCH ve GARCH model parametlerinin bayes tahmini Yazar:YAKUP ARI Danışman: PROF. DR. ALEXANDROS PAPADOPOULOS Yer Bilgisi: Yeditepe Üniversitesi / Sosyal Bilimler Enstitüsü / Finansal İktisat Ana Bilim Dalı Konu:Ekonometri = Econometrics Dizin:ARCH model = ARCH model ; Bayes yöntemi = Bayesian method ; GARCH model = GARCH model ; Lindley yaklaşımı = Lindley's approximation ; Maksimum olabilirlik yöntemi = Maximum likelihood method	Onaylandı Doktora İngilizce 2016 160 s.
ARCH ve GARCH modeller ampirik finansal dataları modellemekte ve finansal dataların kendine özgü birçok özelliğini ortaya çıkarmakta kullanılmaktadır. ARCH ve GARCH modellerin bilinmeyen parametlerini bulmak için kullanılan genel yöntem ise maksimum olabilirlik tahmini (MLE) metodudur. Bu çalışmada ARCH ve GARCH modellerin bilinmeyen parametleri bilinen öncül dağılımlara sahip rassal değişkenler olarak kabul edilmiştir ve bu yüzden parametreler Bayesgil metodla tahmin edilmiştir. Bayesgil metodun kapalı bir formu olmadığı için Linley yaklaşımı kullanılacaktır. Bayes tahminleri karesel hata (SEL) fonksiyonu ve doğrusal üstel (LINEX) kayıp fonksiyonu altında yapılmıştır. Örnekler ile bulgular gösterilmiş ve Monte Carlo (MCMC) simulasyonları kullanılarak maksimum olabilirlik tahmini metodu ile Bayesgil metod karşılaştırılmıştır. Son olarak bulgular üzerine sonuçlar verilmiştir.
Autoregressive conditionally heteroscedastic (ARCH) and Generalised ARCH (GARCH) models are used to analyze empirical financial data and capture various stylized facts in financial econometrics. The procedure that is most commonly used for estimating the unknown parameters of ARCH and GARCH model is the maximum likelihood estimation (MLE) method. In this study, it is assumed that the parameters of the ARCH and GARCH models are random variables having known prior probability density functions, and therefore they will be estimated using Bayesian methods. The Bayesian estimators are not in a closed form, and thus Lindley's approximation will be used to estimate them. The Bayesian estimators are derived under squared error loss (SEL) and linear exponential (LINEX) loss functions. Examples are given in order to illustrate the findings. Furthermore, Monte Carlo simulations are performed in order to compare the ML estimates to the Bayesian ones. Finally, conclusions on the findings are given.