Bewegliche durchschnittliche stochastische Volatilitätsmodelle mit Anwendung auf Inflationsprognose Zusammenfassung: Wir stellen eine neue Klasse von Modellen vor, die sowohl stochastische Volatilität als auch gleitende durchschnittliche Fehler haben, wobei das bedingte Mittel eine Zustandsraumdarstellung hat. Mit einer gleitenden Mittelkomponente 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 bei präzisionsbasierten Algorithmen zur Schätzung dieser neuen Modelle aufbaut. In einer empirischen Anwendung mit U. S.-Inflation finden wir, dass diese gleitenden durchschnittlichen stochastischen Volatilitätsmodelle eine bessere Eignung und Out-of-Probe-Prognose-Performance bieten als die Standardvarianten mit nur stochastischer Volatilität. Export-Referenz: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Diese Seite ist Teil von RePEc und alle hier angezeigten Daten sind Teil des RePEc-Datensatzes. Ist Ihre Arbeit fehlt bei RePEc Hier ist, wie man beitragen kann. Fragen oder Probleme Überprüfen Sie die EconPapers FAQ oder senden Sie eine E-Mail an. Seite aktualisiert 2017-02-28Moving durchschnittliche stochastische Volatilitätsmodelle mit Anwendung auf Inflationsprognose Die durchschnittliche und stochastische Volatilität sind zwei wichtige Komponenten für die Modulation und Prognose makroökonomischer und finanzieller Zeitreihen. Die erstere zielt darauf ab, kurzfristige Dynamik zu erfassen, während letztere eine Volatilitäts-Clustering und eine zeitvariable Volatilität ermöglicht. Wir stellen eine neue Klasse von Modellen vor, die diese beiden nützlichen Features beinhaltet. Die neuen Modelle erlauben es dem bedingten Mittelprozess, eine staatliche Raumform zu haben. Als solches umfasst dieser allgemeine Rahmen eine Vielzahl von populären Spezifikationen, einschließlich der nicht beobachteten Komponenten und zeitveränderlichen pa-rameter-Modelle. Ein gleitender Mittelprozess 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 präzisionsbasierten Algorithmen aufbaut, um diese neue Klasse von Modellen zu schätzen. In einer empirischen Anwendung mit U. S.-Inflation finden wir, dass diese bewegten aver-Alter stochastischen Volatilitätsmodelle eine bessere Eignung und Out-of-Probe-Prognoseleistung bieten als die Standardvarianten mit nur stochastischer Volatilität. Entdecken Sie die Worldx27s Forschung Zitate Zitate 12 Referenzen Referenzen 45.Das wiederum reduziert die Rechenzeit, die es uns ermöglicht, eine rekursive Schätzung in einer sehr sparsamen Weise durchzuführen. Wir verweisen den Leser auf Chan (2013), wo gezeigt wird, dass die Schätzung eines SV mit den vorgeschlagenen Techniken etwa 132 Sekunden für 10000 posterior Draws mit einem Desktop mit einem Intel Core i7-870 2,93 GHz Prozessor dauert. Darüber hinaus kann das Verfahren leicht modifiziert werden, um Leverage und Inmeaneffekte ohne größere Berechnungsprobleme zu umfassen. Abstracts Ausblenden Abstract ABSTRACT: Wir vergleichen die prädiktive Fähigkeit von mehreren Volatilitätsmodellen für eine lange Reihe von wöchentlichen Log-Returns des Dow Jones Industrial Average Index von 1902 bis 2016. Unser Fokus liegt vor allem auf der Vorhersage eines und mehrstufigen Voraussetzung bedingt Und aggregierte bedingte Dichten. Unsere konkurrierenden Modelle beinhalten: Bekannte GARCH-Spezifikationen, Markov-Switching GARCH, semipiparametrisches GARCH, generalisierte Autoregressive Score (GAS), die einfache stochastische Volatilität (SV) sowie ihre flexibleren Erweiterungen wie SV mit Hebelwirkung im Mittel Effekte und Student - verteilte Fehler. Wir finden, dass: (i) SV-Modelle in der Regel die GARCH-Spezifikationen übertreffen, (ii): Das SV-Modell mit Hebelwirkungseffekt bietet eine sehr starke Out-of-Sample-Leistung in Bezug auf eine und mehrstufige Vorhersage der Dichte, (iii) Unterschiede in Bezug auf Value-at-Risk (VaR) Vorhersage Genauigkeit sind weniger offensichtlich. So haben unsere Ergebnisse eine wichtige Bedeutung: Das bestmögliche Modell hängt vom Bewertungskriterium ab. Volltext Artikel Mai 2016 SSRN Elektronische Zeitschrift Leopoldo Catania Nima Keinejad Zeige abstrakt Ausblenden abstrakt ABSTRAKT: Finanzielle Zeitreihen zeigen oft Eigenschaften, die von den üblichen Annahmen von serieller Unabhängigkeit und Normalität abweichen. Dazu gehören Volatilität Clustering, Schwer-Tailness und serielle Abhängigkeit. Eine umfangreiche Literatur über verschiedene Ansätze zur Modellierung dieser empirischen Regelmäßigkeiten hat sich in den letzten zehn Jahren herausgebildet. In diesem Beitrag untersuchen wir die Schätzung einer Vielzahl von hochflexiblen stochastischen Volatilitätsmodellen und führen einige effiziente Algorithmen ein, die auf den jüngsten Fortschritten in den staatlichen Raumsimulationstechniken basieren. Diese Schätzmethoden werden anhand von empirischen Beispielen mit Edelmetall - und Devisenrenditen dargestellt. Der entsprechende Matlab-Code wird ebenfalls zur Verfügung gestellt. Volltext Artikel Nov 2013 Joshua C C Chan Cody Y L Hsiao Zeigen Sie abstrakt Ausblenden ABSTRAKT: Dieses Papier diskutiert die Schätzung der US-Inflationsvolatilität unter Verwendung von zeitvariablen Parametermodellen, insbesondere, ob es als stationärer oder zufälliger Spaziergang stochastischer Prozess modelliert werden sollte. Die Angabe der Inflationsvolatilität als unbegrenzten Prozess, wie sie durch den zufälligen Spaziergang impliziert wird, steht im Widerspruch zu den priors-Überzeugungen, doch kann ein stationärer Prozess das in den Schätzungen der Volatilität häufig beobachtete niederfrequente Verhalten nicht erfassen. Wir schlagen daher ein alternatives Modell mit einem Change-Point-Prozess in der Volatilität vor, die es ermöglicht, zwischen stationären Modellen zu wechseln, um Veränderungen in der Ebene und Dynamik in den vergangenen vierzig Jahren zu erfassen. Um der Stationaritätsbeschränkung gerecht zu werden, entwickeln wir eine neue Darstellung, die unserem Modell entspricht, aber rechnerisch effizienter ist. Alle Modelle produzieren effektiv identische Schätzungen der Volatilität, aber das Change-Point-Modell liefert mehr Informationen über die Ebene und die Beharrlichkeit der Volatilität und die Wahrscheinlichkeiten der Veränderungen. So finden wir zum Beispiel ein paar gut definierte Switches im Volatilitätsprozess und interessanterweise sind diese Switches mit konjunkturellen Abschwächungen oder Änderungen der Federal Reserve Chair gut aufgestellt. Volltext Artikel Jan 2014 Eric Eisenstat Rodney W. StrachanMoving durchschnittliche stochastische Volatilitätsmodelle mit Anwendung auf Inflationsprognose Wir stellen eine neue Klasse von Modellen vor, die sowohl stochastische Volatilität als auch gleitende durchschnittliche Fehler haben, wobei die bedingte Mittel eine staatliche Raumdarstellung haben. Mit einer gleitenden Mittelkomponente 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 bei präzisionsbasierten Algorithmen zur Schätzung dieser neuen Modelle aufbaut. In einer empirischen Anwendung mit US-Inflation finden wir, dass diese gleitenden durchschnittlichen stochastischen Volatilitätsmodelle eine bessere In-Probe-Fitness und Out-of-Probe-Prognose-Performance bieten als die Standardvarianten mit nur stochastischer Volatilität. JEL-Klassifikation Staatsplatz Unbeobachtete Komponenten Modell Präzision Spärlich Dichte Prognose Korrespondenz zu: 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.
Comments
Post a Comment