Tendência média estocástica volatilidade modelos com aplicação para inflação previsão

Modelos de volatilidade estocástica média móvel com aplicação à previsão de inflação Resumo: Introduzimos uma nova classe de modelos que apresenta volatilidade estocástica e erros de média móvel, onde a média condicional tem uma representação de espaço de estados. Ter um componente de média móvel, no entanto, significa que os erros na equação de medição já não são serialmente independentes, e estimativa torna-se mais difícil. Desenvolvemos um simulador posterior que se baseia em avanços recentes em algoritmos de precisão para estimar esses novos modelos. Em uma aplicação empírica envolvendo a inflação nos EUA, verificamos que esses modelos de volatilidade estocástica média móvel fornecem melhores resultados de aptidão da amostra e desempenho de previsão de amostra do que as variantes padrão com apenas volatilidade estocástica. Exportar referência: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Este site faz parte do RePEc e todos os dados aqui apresentados fazem parte do conjunto de dados RePEc. Seu trabalho está faltando no RePEc Aqui está como contribuir. Perguntas ou problemas Verifique as perguntas frequentes do EconPapers ou envie um e-mail para. Page updated 2017-02-28Movendo Modelos de Volatilidade Estocástica Média com Aplicação à Previsão de Inflação A média móvel e a volatilidade estocástica são dois componentes importantes para modelar e prever séries temporais macroeconômicas e financeiras. O primeiro visa capturar dinâmicas de curto prazo, enquanto o segundo permite a volatilidade agrupamento e volatilidade variando no tempo. Introduzimos uma nova classe de modelos que inclui ambos os recursos úteis. Os novos modelos permitem que o processo médio condicional tenha uma forma de espaço de estado. Como tal, este enquadramento geral inclui uma grande variedade de especificações populares, incluindo os componentes não observados e variáveis ​​de tempo pa-rameter modelos. Ter um processo de média móvel, no entanto, significa que os erros na equação de medição já não são serialmente independentes, e estimativa torna-se mais difícil. Desenvolvemos um simulador posterior que se baseia em avanços recentes em algoritmos de precisão para estimar esta nova classe de modelos. Em uma aplicação empírica envolvendo inflação nos EUA, verificamos que esses modelos de volatilidade estocástica média em movimento proporcionam melhor desempenho na amostra e desempenho de previsão fora da amostra do que as variantes padrão com apenas volatilidade estocástica. Isso por sua vez reduz o tempo de computação, o que nos permite realizar uma estimativa recursiva outofample de uma forma muito parcimoniosa. Referimos o leitor a Chan (2017) onde se demonstra que estimar um SV usando as técnicas propostas leva cerca de 132 segundos para 10000 draws posteriores usando um desktop com um processador Intel Core i7-870 2.93 GHz. Além disso, o procedimento pode ser facilmente modificado para abranger a alavancagem e os meios sem grandes dificuldades computacionais. RESUMO: Nós comparamos a capacidade preditiva de vários modelos de volatilidade para uma longa série de log-returns semanais do Dow Jones Industrial Average Index de 1902 a 2017. Nosso foco é particularmente na previsão de um e multi-passo à frente condicional E densidades condicionais agregadas. Nosso conjunto de modelos concorrentes inclui: especificações GARCH bem conhecidas, GARCH de comutação de Markov, GARCH sempiparamétrico, GAS, Volatilidade estocástica simples (SV), bem como suas extensões mais flexíveis como SV com alavancagem, em média Efeitos e Student - t erros distribuídos. (Ii): O modelo SV com efeito de alavanca proporciona um desempenho fora da amostragem muito forte em termos de uma previsão de densidade à frente e de vários passos, (iii) As diferenças em termos de precisão das Previsões de Valor em Risco (VaR) são menos evidentes. Assim, nossos resultados têm implicações importantes: o modelo de melhor desempenho depende do critério de avaliação. Texto completo Artigo: Maio de 2017 Revista Eletrônica da SSRN Leopoldo Catania Nima Nonejad RESUMO: As séries temporais financeiras apresentam, muitas vezes, propriedades que se afastam das suposições usuais de independência serial e normalidade. Estes incluem agrupamento de volatilidade, caudal pesado e dependência em série. Uma literatura volumosa sobre diferentes abordagens para modelar essas regularidades empíricas surgiu na última década. Neste artigo revisamos a estimativa de uma variedade de modelos de volatilidade estocástica altamente flexíveis e introduzimos alguns algoritmos eficientes baseados em avanços recentes nas técnicas de simulação de estados espaciais. Estes métodos de estimativa são ilustrados através de exemplos empíricos envolvendo metal precioso e rendimentos cambiais. O código Matlab correspondente também é fornecido. Este artigo discute a estimativa da volatilidade da inflação nos Estados Unidos usando modelos de parâmetros que variam de tempo, em particular se deve ser modelado como um processo estocástico de caminhada estacionária ou randômica. Especificar a volatilidade da inflação como um processo ilimitado, como implícito pela caminhada aleatória, entra em conflito com as crenças priors, mas um processo estacionário não pode capturar o comportamento de baixa freqüência comumente observado em estimativas de volatilidade. Propomos, portanto, um modelo alternativo com um processo de ponto de mudança na volatilidade que permite alternar modelos estacionários para capturar mudanças no nível e dinâmica nos últimos quarenta anos. Para acomodar a restrição de estacionaridade, desenvolvemos uma nova representação que é equivalente ao nosso modelo, mas é computacionalmente mais eficiente. Todos os modelos produzem estimativas efetivamente idênticas de volatilidade, mas o modelo de ponto de mudança fornece mais informações sobre o nível ea persistência da volatilidade e as probabilidades de mudanças. Por exemplo, nós encontramos alguns interruptores bem definidos no processo de volatilidade e, curiosamente, esses interruptores se alinham bem com desacelerações econômicas ou mudanças da Cátedra da Reserva Federal. Introduzimos uma nova classe de modelos que tem ambos volatilidade estocástica e erros de média móvel, onde a média condicional tem uma representação de espaço de estado. Ter um componente de média móvel, no entanto, significa que os erros na equação de medição já não são serialmente independentes, e estimativa torna-se mais difícil. Desenvolvemos um simulador posterior que se baseia em avanços recentes em algoritmos de precisão para estimar esses novos modelos. Em uma aplicação empírica envolvendo a inflação nos EUA, descobrimos que esses modelos de volatilidade estocástica média móvel fornecem melhor desempenho na amostra e desempenho de previsão fora da amostra do que as variantes padrão com apenas volatilidade estocástica. JEL Classificação Espaço estatal Modelo de componentes não observados Precisão Previsão de densidade esparsa Correspondência para: Escola de Pesquisa de Economia, Faculdade de Negócios e Economia da ANU, LF Crisp Building 26, Universidade Australiana Australiana, Canberra ACT 0200, Austrália. Tel. 61 2 612 57358 fax: 61 2 612 50182. Copyright copy 2017 Elsevier B. V. Todos os direitos reservados.