Movimiento De Los Modelos De Volatilidad Estocástica Media Con Aplicación A La Inflación

Movimiento de modelos de volatilidad estocástica media con aplicación a la inflación de previsión Joshua C. C. Chan. . Introducción Se introduce una nueva clase de modelos que tiene tanto volatilidad estocástica como errores de media móvil, donde La media condicional tiene una representación de espacio de estado. Tener un componente de media móvil, sin embargo, significa que los errores en la ecuación de medición ya no son independientes en serie, y la estimación se vuelve más difícil. Desarrollamos un simulador posterior que se basa en los recientes avances en algoritmos basados ​​en precisión para estimar estos nuevos modelos. En una aplicación empírica que involucra la inflación estadounidense, encontramos que estos modelos de volatilidad estocástica media móvil proporcionan un mejor rendimiento de la muestra y un rendimiento de pronóstico fuera de la muestra que las variantes estándar con sólo volatilidad estocástica. Clasificación JEL Palabras clave Espacio de estado Modelo de componentes no observados Precisión Dispersa Predicción de densidad Tabla 1. Fig. 2. La fig. 3. La fig. 4. Tabla 2. Fig. 5.Hi. Estoy comparando la log-volatilidad de dos modelos SV con una aplicación a MATLAB. Desde que soy un novato en este campo, no sé si estoy equivocado en la interpretación de la gráfica. En mi opinión lo único que puedo decir es que el modelo SV estándar subestima la volatilidad en la volatilidad es pequeña pero no estoy seguro de mi gráfica. ¿Alguna vez has visto algo así ¿Estoy totalmente equivocado y para el modelo estándar ver: Chan, J. C.C. Y Hsiao, C. Y.L (2014). Estimación de modelos de volatilidad estocástica con colas pesadas y dependencia en serie. En: I. Jeliazkov y X. S. Yang (Eds.), Bayesian Inference en las Ciencias Sociales, 159-180, John Wiley amp Sons, Nueva York. Preguntó Jun 11 a las 15: 57Moviendo Modelos de Volatilidad Estocástica Media con Aplicación a Previsiones de Inflación El promedio móvil y la volatilidad estocástica son dos componentes importantes para modelar y pronosticar series temporales macroeconómicas y financieras. El primero tiene como objetivo capturar la dinámica de corto plazo, mientras que el segundo permite la agrupación de la volatilidad y la volatilidad variable en el tiempo. Introducimos una nueva clase de modelos que incluye ambas características útiles. Los nuevos modelos permiten que el proceso medio condicional tenga una forma de espacio de estado. Como tal, este marco general incluye una amplia variedad de especificaciones populares, incluyendo los componentes no observados y los modelos de pa-rameter que varían en el tiempo. Tener un proceso de media móvil, sin embargo, significa que los errores en la ecuación de medición ya no son independientes en serie, y la estimación se hace más difícil. Desarrollamos un simulador posterior que se basa en los avances recientes en algoritmos basados ​​en precisión para estimar esta nueva clase de modelos. En una aplicación empírica que involucra la inflación en Estados Unidos, encontramos que estos modelos de volatilidad estocástica promedio en movimiento proporcionan un mejor desempeño dentro de la muestra y rendimiento de pronóstico fuera de la muestra que las variantes estándar con sólo volatilidad estocástica. Esto a su vez reduce el tiempo de computación, lo que nos permite realizar una estimación recursiva de una manera muy parsimoniosa. Nos referimos al lector a Chan (2013) donde se demuestra que la estimación de un SV usando las técnicas propuestas toma alrededor de 132 segundos para 10000 dibujos posteriores utilizando un escritorio con un procesador Intel Core i7-870 2.93 GHz. Además, el procedimiento puede modificarse fácilmente para abarcar el apalancamiento y los medios sin mayores dificultades computacionales. RESUMEN: Comparamos la capacidad predictiva de varios modelos de volatilidad para una larga serie de log-returns semanales del índice Dow Jones Industrial Average de 1902 a 2016. Nuestro enfoque es particularmente en la predicción de una y varias etapas adelante condicional Y las densidades condicionales agregadas. Nuestro conjunto de modelos competidores incluye: GARCH conocido, GARCH de comparación de Markov, GARCH sempiparamétrico, GAS, Volatilidad estocástica simple (SV), así como sus extensiones más flexibles como SV con apalancamiento, en-media Efectos y Student - t errores distribuidos. (Ii): El modelo SV con efecto de apalancamiento proporciona un rendimiento fuera de la muestra muy fuerte en términos de una predicción de densidad de una y varias etapas hacia delante, (iii) Las diferencias en cuanto a la precisión de los valores en riesgo (VaR) son menos evidentes. Por lo tanto, nuestros resultados tienen una implicación importante: el mejor modelo de rendimiento depende del criterio de evaluación. Texto completo Artículo Mayo 2016 Revista electrónica SSRN Leopoldo Catania Nima Nonejad Mostrar resumen Esconder resumen RESUMEN: Las series de tiempo financieras a menudo exhiben propiedades que se apartan de los supuestos habituales de independencia serial y normalidad. Estos incluyen el agrupamiento de volatilidad, la cola pesada y la dependencia en serie. En la última década ha surgido una voluminosa literatura sobre diferentes enfoques para modelar estas regularidades empíricas. En este artículo revisamos la estimación de una variedad de modelos de volatilidad estocástica altamente flexibles, e introducimos algunos algoritmos eficientes basados ​​en avances recientes en técnicas de simulación de espacio de estados. Estos métodos de estimación se ilustran a través de ejemplos empíricos que involucran metal precioso y rendimientos de divisas. También se proporciona el código Matlab correspondiente. Este artículo analiza la estimación de la volatilidad de la inflación en Estados Unidos usando modelos de parámetros que varían en función del tiempo, en particular si debe ser modelado como un proceso estocástico de caminos estacionarios o aleatorios. Especificar la volatilidad de la inflación como un proceso ilimitado, como lo implica el paseo aleatorio, está en conflicto con las creencias de los priores, pero un proceso estacionario no puede captar el comportamiento de baja frecuencia comúnmente observado en las estimaciones de la volatilidad. Por lo tanto, proponemos un modelo alternativo con un proceso de cambio de punto en la volatilidad que permite los cambios entre modelos estacionarios para capturar los cambios en el nivel y la dinámica en los últimos cuarenta años. Para acomodar la restricción de estacionariedad, desarrollamos una nueva representación que es equivalente a nuestro modelo pero es computacionalmente más eficiente. Todos los modelos producen estimados idénticos de volatilidad, pero el modelo de punto de cambio proporciona más información sobre el nivel y la persistencia de la volatilidad y las probabilidades de cambios. Por ejemplo, encontramos algunos interruptores bien definidos en el proceso de volatilidad y, curiosamente, estos interruptores se alinean bien con la desaceleración económica o los cambios de la Cátedra de la Reserva Federal. Artículo completo Artículo ene 2014 Eric Eisenstat Rodney W. Strachan