楼主: mingdashike22
1734 22

[经济学] 动态因子、杠杆作用与多元协方差 随机波动 [推广有奖]

11
mingdashike22 在职认证  发表于 2022-4-20 22:00:34
例如,FMSV模型对AMZN收益挥发物的估计总体平稳,在整个样本期内有许多大的不规则跳跃,而FMRSV模型的估计仅在全球金融危机前后较大,但有小的不规则跳跃。在图6中,我们比较了以下三个时期AAPL和MSFTT之间的相关性COE曲线:(1)时期1:2004年9月1日至2007年10月5日,(2)时期2:2007年10月8日至2010年11月9日,(3)时期3:2010年11月10日至2013年12月31日。在包括全球金融危机在内的第2期,两个模型的估计相关性都很高。总体而言,FMSV模型的相关性估计比FMRSV模型的相关性估计更大,更分散(FMSV模型和FMRSV模型的相关性估计之间的关系在补充材料中显示)。这表明我们高估了股票收益率之间的相关性,尤其是在波动市场中,当我们没有使用相关协方差信息时。图7也显示了上述三个时期十只股票之间所有相关性的后验均值。所有相关的后验均值都是正的,并表明存在一个共同市场因素。对于FMSVmodel,在第1期,MSFT和JPM与其他股票收益率的相关性较大;而在第2和第3阶段,XOM似乎具有最大的相关性。然而,对于FMRSVmodel,我们没有观察到相关之间的这种显著差异。AMZN和MSFT在三个时期的相关方框图也表明,FMSV模型在所有时期的相关性都大于FMRSV模型。在第2期内,其中包括全球金融危机,所有相关性都是最高的,通过市场因素暗示所有股票收益的共同变化。2006 2008 2010 2012 2014-4-2 0 2 4aapldate2006 2008 2010 2012 2014-4-2 0 2 4msftdate2006 2008 2010 2012 2014-4-2 0 2 4jpm2006 2008 2010 2012 2014-4-2 0 2 4brkbdate2006 2008 2010 2012 2014-4-2 0 2 4googldate2006 2008 2010 2012 2014-4-2 0 2 4jnjdate2006 2008 2010 2012 2014-4-2 0 2 4pgdate2006 2008 2010 2012 2014-4-2 0 2 4pdate2006 2008 2010 2012 2014-4-2 0 2 4pdate2006 2008 2010 2012 2014-4-2 0 2 4pdate2006 2008 2010 2012 2014-4-2 0 2 DateFigure 3:FMSV模型中股票的估计日志波动率和潜在因子的后验均值(实线)和95%可信区间(阴影区)。2006 2008 2010 2012 2014-4-2 0 2 4aapldate2006 2008 2010 2012 2014-4-2 0 2 4msftdate2006 2008 2010 2012 2014-4-2 0 2 4jpm2006 2008 2010 2012 2014-4-2 0 2 4brkbdate2006 2008 2010 2012 2014-4-2 0 2 4googldate2006 2008 2010 2012 2014-4-2 0 2 4jnjdate2006 2008 2010 2012 2014-4-2 0 2 4googldate2006 2008 2010 2012 2014-4-2 0 2 4googldate2006 2008 2010 2012 2014-4-2 0 2 4jndate2006 2008 2010 2012 2014-42012 2014-4-2 0 2 4Tdate2006 2008 2010 2012 2014-4-2 0 2 4FactorDateFigure 4:在FMRSVModel.09/0 1/2 0 0 4 0 9/0 1/2 0 0 6 0 9/0 1/2 0 0 8 0 9/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1/0 1N JP GX O MTV O la t ilit yF M S V0 9/0 1/2 0 0 4 0 9/0 1/2 0 0 6 0 9/0 1/2 0 0 8 0 9/0 1/0 1 9/0 1/0 1 0 0 9/0 1/0 1 0 0 9/0 1/0 1 0 0 9/0 1/0 1 0 0 9/0 1/0 1 0 0 9/0 1/0 0 1 0 0 9/0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 A A P LM S F TA M Z NJ P MB R K BG O O G图5:估算挥发物的后验均值。左:FMSV模型。

12
大多数88 在职认证  发表于 2022-4-20 22:00:40
右:FMRSV模型。0.0.2.4.6.0.8时段1时段2时段3图6:AAPL和MSFT.1:9/1/2004-10/5/2007之间相关性的后验均值方框图。2:10/8/2007-11/9/2010。3:11/10/2010-12/31/2013。左:FMSV模型。右:FMRSV模型-1-0.8-0.6-0.4-0.200.20.40.60.81 AAPLMSFTAMZNJPMBRKBGOOGLJNJPGXOMTAAPLMSFTAMZNJPMBRKBGOOGGGXOMTFMSV-1-0.8-0.4-0.0-0.6-0.4-0.4-0.4-0.4-0.2-0.4-0.4-0.2-0.4-0.2-0.4-0.2-0.4-0.2-0.4-0.2-20.40.81 AAPLMSFTAMZNJPMBRKBJPMBRKBGOOMTRSV-APLMSFTAMZNJPMBRKBGOOGLJNJPGXOMTFMSV-1-0.8-0.6-0.4-0.0.200.20.40.60.81 AAPLMSFTAMZNJPMBRKBGOOGLJPGXOMTFMSV-1-0.8-0.6-0.4-0.0.0-0.2.20-40.60.81AAPLMSFTAMZNJPMBRKBGOOPMBRKBGOOPMBRKBGOOGLJNJPGXOMTFMSV TAMZNJPMBRKBGOOGLJNJPGXOMTAAPLMSFTAMZNJPMBRKBGOOGLJNJPGXOMTFMRSV7图7:相关系数后验均值的热图。顶部:9/1/2004-10/5/2007。中间:10/8/2007-11/9/2010。底部:11/10/2010-12/31/2013。左:FMSV模型。右:FMRSV模型。4.3投资组合绩效的比较除了估计结果外,我们还比较了FMSV和FMRSV模型的投资组合绩效。在时间t+1时的投资组合收益被定义为asrp,t+1=WTYT+1+(1-wtp)rf,(31),其中,wtis为股票收益YT+1的p×1投资组合权重向量,1p=所有元素均等于1的p×1向量,rfis为无风险资产收益。在给定信息集ftare,t+1=wtmt+1t+(1-wtp)rf,σp,t+1var[rp,t+1ft]=wt∑t+1twt,其中t+1 te[yt+1ft]=B{γ+ψ(ft-γ)},∑t+1 tvar[yt+1ft]=BV2,t+1B+V1,t+1的条件均值和条件方差为条件期望方差σp,t+1,t+1。本文考虑了在给定目标条件下,使条件期望方差σp,t+1最小的投资组合策略预期回报μp,T+1=μ*p。权重的求解方法为wt=∑-1T+1T(MT+1T-RFP)∑-1T+1T(MT+1T-RFP),其中我们使用arolling估计通过提前一步预测获得MT+1T和∑T+1T的估计值。为了研究包括已实现协方差作为附加信息的e-ect和杠杆e-ect,我们使用以下三个模型比较投资组合的表现。FMSV模型:因子多元随机波动率模型,具有杠杆率等,但没有实现协方差。FMRSV-NL模型:因子多元随机波动率模型,不考虑杠杆效应,但具有已实现的协变量。FMRSV模型:因子多元随机波动率模型,具有杠杆率和已实现协方差。使用therolling估计,考虑了两个具有100个提前一天预测的直接预测期,观测次数等于2250次:oPeriol I,2013年8月9日至2013年12月31日。oPeriol II。自2019年8月9日至2019年12月31日。期间I包括估计期间内全球金融危机发生的时间。rollingforecast和estimation的实现如下:步骤1。首先,我们利用2004年9月1日至2013年8月8日的2250次观测估计参数。并对2013年8月9日的多个股票收益率的均值、波动率和相关性进行了预测。使用它们来获得上述投资组合策略的资产的最优权重,其中联邦基金利率被用作无风险资产回报RF.步骤2。接下来,我们从样本期间删除firegrst观察(2004年9月1日),并添加一个新的观察(2013年8月9日)。新的样本期为2004年9月2日至2013年8月9日。我们利用这些观测数据估计参数,并预测2013年8月10日的均值、波动率和相关性。

13
mingdashike22 在职认证  发表于 2022-4-20 22:00:46
然后,我们用它们以类似的方式获得最优权重。我们对这些滚动预测进行迭代,直到2013年12月31日,以获得100个1日前预测和相应的权重。表3显示了三个模型在两个时期的累计实现方差。FMRSV-NL模型和FMRSV模型在I期和II期表现最好(除I期的μ*P=0.007外),说明已实现协方差的引入改善了对股票收益率条件均值和协方差的预测。另一方面,引入杠杆的效果取决于预测期。FMRSV-NL模型在第一阶段表现最好,而在第二阶段表现最差。FMRSV模型在这两个时期的表现总体良好且稳定。μ*P=0.004μ*P=0.01μ*P=0.02 FmSV 0.291 1.959 8.027 FmRSV-NL 0.131 0.882 3.616 FMRSV 0.229 1.550 6.362期间I(8/9/2013-12/31/2013)μ*P=0.007μ*P=0.015μ*P=0.03 FmSV 0.115 3.049 19.481 FMRSV 0.126 3.011 18.918期间II(8/9/2019-12/31/2019)表3:计算的累计实现方差ASPT-1 t=T-100 wt∑t+1 wt,其中∑t+1使用经偏差校正的已实现协方差进行评估,时间t+1.0.00.5 1.01.5 2.0数据差异已实现方差2013/08 2013/09 2013/10 2013/11 2013/12 2013/08 2013/09 2013/10 2013/11 2013/12 2013/08 2013/09 2013/11 2013/11 2013/12 FMSVFMRSV-NLFMRSV期间I(8/9/2013-12/31/2013)0.00.5 1.0 1.5 2.0 2.5 3.0数据差异已实现方差2019/08 2019/09 2019/10 2019/11 2019/12 2019/08 2019/09 2019/10 2019/11 2019/12 2019/08 2019/09 2019/10 2019/11 2019/12 2019/11 2019/11 2019/11 2019/11 2019/11 2019/11 2019/12 FMSVFMRSV-NLFMRSVPeriod II(8/9/2019-12/31/2019)图8:累计实现方差:μ*P=0.01(Period I)和μ*P=0.015(PeriodII)。FMRSV:纯黑色。FMRSV-NL:虚线绿色。FMSV:蓝色虚线。图8显示了三个模型的累计实现方差的时间序列图。FMRSV-L和FMRSV模型在第一和第二阶段的表现分别优于FMSV模型,这意味着已实现协方差的信息一致地提高了投资组合的可操作性。FMRSV-NL模型的性能似乎取决于预测周期。例如,在2013年11月之后,它的表现优于FMRSV模型,而在2019年11月之后,它的表现低于FMSV和FMRSV模型。图9显示了这两个时期三个模型的投资组合权重的分裂热图。在FMSV模型中,T和BRKB的权重往往为正,并且比其他股票收益的权重大得多,而JNJ的权重往往为负。对于FMRSV-NL模型和FMRSV-NL模型,所有10只股票收益的权重都是正的,并且在整个I期内都是稳定的。但是,FMRSV-NL模型对PG和JNJ的权重相对较大,而FMRSV模型对BRKB的权重相对较大。在第二阶段,FMSV模型对BRKB的正权重和对JNJ的负权重与第一阶段相同,但对皮重的权重较小,有时为负。在FMRSV-NL模型中,BRKB和PG的权重较大,而在FMRSV模型中,AMZN和XOM的权重更稳定,更大。在FMRSV模型中,T和BRKB的权重似乎不稳定,但在预测期的后期变得很小。另一方面,图10显示了风险-自由集权重的时间序列图。在第一阶段,联邦基金利率的权重在FMSV模型中是不稳定的,它们有时从1.3以上增加或减少到大约0.7。在FMRSVNL和FMRSV模型中,除了几天外,它们基本稳定在0.9左右。

14
可人4 在职认证  发表于 2022-4-20 22:00:52
第二阶段,在FMSV和FMRSV-NL模型中,权重从1.0左右逐渐下降到0.7左右,而在FMRSV模型中,权重在1.0左右波动很大。总之,当我们使用已实现的协方差时,资产收益的权重会随着时间的推移而变化,并导致更好的投资组合绩效,这表明包括这样的额外信息是非常有效的。杠杆的重要性取决于周期,但具有杠杆的模型整体性能更稳定、更好。利用日收益率和已实现协方差的信息,在预测的基础上,给出了更准确和稳定的估计和投资组合业绩的结果。0 8/0 9/1 3 0/0 2/1 3 1 1/1 3/1 3 3 1 2/0 7/1 3 1 2/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/1 3 A A P LM S F TA M Z NJ P MB R K b G O O G LJN JP GX O MT-0.4-0.2-0.10.10.20.4W e ig h tF M S V08/0 9/1 3 0 9/0 2/1 3 0 9/2/1 3 1/1 3/1 3/1 3/1 3/1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1M S V0 8/0 9/1 3 0 9/0 2/1 3 0 9/2 6/1 3 1 0/2 0/1 3 1 1/1 3/1 3 1 2/0 7/1 3 1 2/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3.3.3.3.3.3.3.4.4.0.4-0.2-0.10.N L0 8/0 9/1 3 0 9/0 2/1 3 0 9/2 6/1 3 1 0/2 0/1 3 1 1/1 3/1 3 1 2/0 7/1 3 1 2/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/1/3N L0 8/0 9/1 3 0 9/0 2/1 3 0 9/2 6/1 3 1 0/2 0/1 3 1 1/1 3/1 3 1 2/0 7/1 3 1 2/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/1 3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 K BG O O G LJ N JP GX O MT-0.4-0.2-0.10.10.20.4W e ig h tF M R S V0 8/0 9/1 3 0 9/0 2/1 3 0 9/2 6/1 3 1 0/2 0/1 3 3 1 2/0 7/1 3 1 1/1 3/1 3/1 3 2/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/1 3.3.1 2/3 1/1.3 B R K BG O O G LJ N JP GX O MT-0.4-0.2-0.10.10.20.4W e ig h tF M R S Vleft:期间I(8/9/2013-12/31/2013)。右图:第二阶段(8/9/2019-12/31/2019)。图9:10只股票组合权重的拆分热图,μ*P=0.01(期间)和μ*P=0.015(期间II)。0 8/0 9/1 3 0 9/0 9/1 3 1 1/0 9/1 3 1 1/0 9/1 3 1 2/0 9/1 300。511.500.511.500.511.5重量F R M S V重量F R M S V-N L重量F M S V0 8/0 9/1 3 0 9/0 9/1 3 1 0/0 9/1 3 1 1/0 9/1 3 1 2/0 9/1 300。511.500.511.500.511.5体重F R M S V体重F R M S V-N L体重F M S V左:第一期(8/9/2013-12/31/2013)。右图:第二阶段(8/9/2019-12/31/2019)。图10:组合权重1-WTP,联邦基金利率的时间序列图,μ*P=0.01(第一阶段)和μ*P=0.015(第二阶段)。5结论我们提出了一个具有动态因子结构和杠杆的多元SV模型,其中包含了潜在协方差和潜在因子的实现度量。利用股票日收益率以外的已实现测度信息,我们可以更准确地估计模型参数和潜在变量,并给出更稳定的协方差矩阵的一步预测,从而提高投资组合的绩效,这在我们的实证研究中得到了说明。从dailyreturns的信息中发现,考虑杠杆效应对获得稳定的投资组合绩效至关重要,并且取决于预测周期。确认:计算结果是使用Ox Version7(Doornik(2007))得到的。这项工作得到了JSPS KAKENHI Grant Number 19H00588,20H00073的支持。ReferencesAguilar,O.和M.West(2000)。贝叶斯动态因子模型与投资组合配置。商业和经济统计杂志18(3),338-357。Archakov,I.和P.Hansen(2018)。相关矩阵的一种新的参数化。技术报告,工作文件,Chib,S,F.Nardari和N.Shephard(2002)。随机波动模型的马尔可夫链蒙特卡罗方法。

15
可人4 在职认证  发表于 2022-4-20 22:00:59
计量经济学杂志108-2,281-316。Chib,S.,F.Nardari,N.Shephard(2006)。高维多元随机波动模型的分析。计量经济学杂志134(2),341-371.De Jong,P.和N.Shephard(1995)。时间序列模型的模拟更加平滑。Biometrika 82,339-350.Doornik,J.(2007)。使用Ox的面向对象矩阵程序设计,第3版。伦敦:TimberlakeConsultants出版社和牛津:www.doornik.com.Durbin,J.和S.J.Koopman(2002)。对于状态空间时间序列分析来说,简单而流畅的模拟。Biometrika 89,603-616.Epps,T.W.(1979)。短期内股票价格的变动。美国统计协会学报74,291-298.韩,Y.(2006)。高维潜因子随机波动模型下的资产配置。金融研究综述19(1998),237-271。Hansen,P.R.,Z.Huang,Z.Shek(2012).已实现的GARCH:一个收益与已实现波动度量的联合模型。应用计量经济学学报27,877-906。汉森、伦德(2005)。波动率模型的预测比较:有什么beata garch(1,1)吗?应用计量经济学杂志20(7),873-889.Ishihara,T.和Y.Omori(2017).基于动态因子和随机波动的投资组合优化:厚尾误差和杠杆效应的证据。《日本经济评论》68-1,63-94.库普曼,S.J.和M.Scharth(2013)。在存在日常实现措施的情况下的随机波动性分析。金融计量经济学杂志11,76-115.Kurose,Y.和Y.Omori(2019).具有已实现测度、杠杆和内生性的多块动态均衡关系。计量经济学和统计学。载于Press.Lopes,H.F.和C.M.Carvalho(2007)。具有时变负荷和马尔可夫切换机制的因子随机波动。统计规划与推论杂志137(10),3082-3091。Omori,Y.和T.Watanabe(2008)。非对称随机波动率模型的块抽样和后验模估计。计算统计与数据分析52(6),2892-2910.皮特,M.和N.谢泼德(1999).时变协方差:因子随机波动率方法。伊娜。D.J.M.伯纳多,J.O.Berger和A.Smith(编辑),《贝叶斯统计学》,第6卷,第547-570页。牛津大学出版社,Seber,G.A.F.(2008)。统计人员的矩阵手册。John Wiley&Sons.Shephard,N.和M.K.Pitt(1997)。非高斯测量时间序列的似然分析。Biometrika 84(3),653-667.Shirota,S.,Y.Omori,H.F.Lopes,和H.Piao(2017)。Cholesky实现了随机波动模型。计量经济学和统计学3,34-59。Takahashi,M.,Y.Omori,T.Watanabe(2009)。同时利用日收益和已实现波动率估计随机波动率模型。计算统计与数据分析536,2404-2426.Takahashi,M.,T.Watanabe,Y.Omori(2016).广义双曲分布随机波动率模型的波动率和分位数预测。《国际预测杂志》32(2),437-457.渡边,T.Y.Omori(2004)。估计非高斯时间序列模型的多步采样器:对shephard&pitt(1997)的评论。生物统计学,246-248。Yamauchi,Y.和Y.Omori(2019)。具有实现挥发和成对实现相关的多元随机波动率模型。商业与经济统计杂志。载于J.Yu出版社(2005)。随机波动率模型中的杠杆作用。计量经济学杂志127(2),165-178.附录h(2)的MCMC算法生成。首先,我们将ct=I(t<t)ρp+1exp(Hp+1,t/2)σp+1,η{hp+1,t+1,t+1,t/2)}...ρp+qexp(Hp+q,t/2)σp+q,η{hp+q,t+1,t+1,t/2)},(32)v2th=i-i(t<t)diag(ρp+1,...,ρp+q)v2t。

16
可人4 在职认证  发表于 2022-4-20 22:01:05
(33)那么,在给定其他潜在变量和参数的情况下,h(2)的对数条件后验密度为logπ(h(2)·)=const+stxt=1logb v2tb+v1t-ktrtxt=1b v2tbw-1t!-txt=1nlogv2th+(ft-γ-yen(ft-1-γ)-ct)v-12th(ft-γ-yen(ft-1-γ)-ct)O-t-1xt=1{ht+1-(i-Φ)∑-Φht}∑-1ηη{ht+1-(i-Φ)∑-Φht}∑-1ηηh,0(HT-TM)=const-t-1xt=1 QXI=1{HP+I,T+1–HP+I,T–(1-φP+I)μP+I}2ση,P+I–QXI=1(1-φP+I)(HP+I,1-μP+I)2ση,P+I+TXT=1 L*T,(34)wherel*t=slogb v2tb+v1t-ktr b v2tbw-1t-qxi=1nhp+I,t+(fit-μf,it)σ-2f,ito,μf,it=γI+ψI(fi,t-1-γI)+ρp+iexp(Hp+I,t/2)σp+I,η{hp+I,t+1,t+1,t+I,t+I)}I(t<t),σf,it=1-I(t<t)ρp+I exp(Hp+I,t/2).当fit=hp+I,t+1之间存在相关关系时,近似的条件分布(HP+I,s,..,HP+I,s+M)不具有对角协方差矩阵,并且h(1)的采样算法不适用于h(2)的采样算法。因此,我们采用了一种基于onOmori和Watanabe(2008)的替代采样算法,用线性高斯状态空间模型逼近非线性高斯状态空间模型。与采样h(1)一样,我们考虑对扰动(ηp+i,s-1,...,ηp+i,s+m-1)而不是给定其他状态变量和参数的状态变量(HP+i,s,...,HP+i,s+m)进行采样。条件后验密度(ηp+i,s-1,...,ηp+i,s+m-1)的对数由log f(ηp+i,s-1,...,ηp+i,s+m-1·)=const-t=s+m-1xt=s-1ηp+i,T+L,(35)whereL=T=s+mxt=sl*it-{hp+i,s+m+1-(1-φp+i)μp+i-φp+ihp+i,s+m}2ση,p+ii(s+m<T),L*it=slogb v2tb+v1t-ktr b v2tbw-1t-1为了使用正常概率密度的对数来近似L,我们将dt,At,BtandQ取如下。dt=L HP+i,T,At=-E L HP+i,T!,bt=-E L HP+i,T HP+i,t-1,Q=ASBS+10···0BS+1as+1BS+2··00BS+2as+2.................................................................................................合身。设bidenote B=(B,..,bq)的第i列向量(i=1,..,q)。使用logB v2tb+v1 t HP+i,t=bi(Bv2tb+V1t)-1 biexp(HP+i,t),(附录B.3中的命题3给出了证明),可以显示atdt=SBi(Bv2tb+V1t)-1 biexp(HP+i,t)-kbiw-1 tbiexp(HP+i,t)-+(fit-μf,it)2σf,it+(fit-μf,it)σf,itμf,t,i HP+i,t+(fi,t-1-μf,i,t-1)σf,i,t-1μf,t-1,i HP+i,t+φp+i(HP+i,t+1-(1-φp+i)μp+i-φp+iHP+i,t)σp+i,ηi(t=s+m<t),其中μf,t,i HP+i,t=ρp+iσp+i,η-φp+i+hP+i,t+1-φp+iHP+i,t exp HP+i,t i(t<t),μf,i,t-1HP+i,t=ρp+iσp+i,ηexp HP+i,t=ρp+iσp+i,ηexp HP+i B+V1t)–1 bi exp(2H2T,i)++σ-2F、itμF、it HP+i、t+σ-2F、i、T-1μF、i、T-1HP+i、t+i(t=s+m<t)φP+iσ-2η、P+i、BT=σ-2F、T-1μF、i、T-1HP+i、T-1μF、i、T-1HP+i、t、t=s+1。.,s+m,bs=0,使用logb v2tb+V1t hp+i,t=bi(bv2tb+V1t)-1biexp(h2t,i)-bi(bv2tb+V1t)-1biexp(2h2t,i),(由附录B.3中的命题3给出证明)andE(w-1t)=sk(bv2tb+V1t)-1.设hp+同(hp+i,s,..,hp+i,s+m)。然后,通过L在条件模式HP+i周围的泰勒展开,我们得到log f(ηp+i,s-1,..,ηp+i,s+m-1·)=const-t=s+m-1xt=s-1ηp+i,t+L≈const-t=s+m-1xt=s-1ηp+i,t+L+d(Hp+i-hp+i)-(Hp+i-hp+i)Q(Hp+i-hp+i)const+log f*(ηp+i,s-1,..,ηp+i,s+m-1·),其中d=(ds,..,ds+m)和L+i,d和Q是在HP+I=HP+I下计算的L、d和Q的值。f*是(36)、(37)和(38)中线性高斯状态空间模型扰动的后验密度。我们对ηp+i,s-1,进行采样。.,ηp+i,s+m-1如下所示:1。设置HP+I.2的初始值。计算dt,at和btat hp+ifor t=s,...,s+M.3。初始化ds=as,js=0和bs=d,然后递归地派生Dt、Jt和bt,以求t=s+1。.,S+M:DT=AT-BTD-1 T-1 BT,JT=BTK-1 T-1,BT=DT-JTK-1 T-1 BT-1,其中KT=√DT,设置JS+M+1=0.4。取YT=γT+d-1TBT,其中γT=HP+I,T+K-1TJT+1HP+I,T+1T=s。..,s+M.5。构造Yi给出的近似线性高斯状态空间模型,t=ZTHP+i,t+GTζ,t=s,。.,s+m,(36)HP+I,t+1=(1-φP+I)μP+I+φP+IHP+I,t+HTζ,t=s,。...

17
nandehutu2022 在职认证  发表于 2022-4-20 22:01:11
,s+M-1,(37)ζt=(ζ1t,ζ2t)'AN(0,I),HP+I,s=(1-φp+I)μp+I+φp+ihp+I,S-1+hs-1ζs-1,s=1,(38),其中Zt=1+φp+ik-1tjt+1,Gt=k-1t[1,ση,p+ijt+1],t=1。.,T,HT=(0,ση,p+i),T=1,。.,t-1,0,ση,p+i√1-φp+i,T=0。为了实现后验模式,我们对(36)-(38)实现了Kalman filterter和扰动平滑,并更新了HP+i。我们重复步骤2-5几次,或者直到遇到某种收敛。否则,我们转到第6.6步。通过使用模型(36)-(38)的模拟平滑器生成候选(ηnp+i,S-1,.,ηnp+i,S+m-1)。这些样品是从F*.7中产生的。执行MH算法,其中我们接受一个候选者(ηnp+i,s-1,)。.,ηnp+i,s+m-1)概率最小(1,f(ηnp+i,s-1,...,ηnp+i,s+m-1·)f*(ηop+i,s-1,...,ηop+i,s+m-1·)f(ηop+i,s-1,...,ηop+i,s+m-1·),其中(ηop+i,s-1,....,ηop+i,s+m-1·)。..,ηop+i,s+m-1)是电流采样。B命题sb.1命题1(i)logB V2tB+V1tβi=2V2tB(bv2tb+V1t)-1ei,(39)其中eidena p×1向量,第i个元素等于1且元素为零。(ii)logB V2tB+V1tβi=2dii v2t-v2t-v2tb(bv2tb+v1tt)-1B v2t-logb V2tB+V1tβi logB V2tB+V1tβi,(40)其中diii是(i,i)-(B V2tB+V1t)-1的第1个元素。证明:(i)设xt=B V2tB+V1t。那么,使用链式规则和log X/vec(X)=vec(x-10)(请参见,例如,Seber(2008)17.29和17.52),我们得到导数log Xtβi=logxt vec(Xt)×vec(Xt)vec(B)×vec(B)βi=vec(x-10t)×vec(B)×ei iq)=vec(x-1t)×(ip+Kpp)(ip B V2t)×ei iq)=2vec(x-1t)(ip B V2t)(Ei iq)=2vec(x-1t)(Ei B V2t)=2vec(x-1t)(Ei B V2t),其中Kmnis一个vec-置换矩阵,使得vec(a)=Kmnvec(a)=m×n对于一个m×n矩阵xx和一个m×m对称矩阵,vec(XAX)/vec(X)=(in+Knn)(inxa),第三个等式是vec(XAX)/vec(X)=(in+Knn)A(例如,Seber(2008)17.30(f))。因此,使用vec(AXC)=(Ca)vec(x-1t)=(2v2Tbx)vec(X)(例如,Seber(2008)11.16(b)),(ii)从(i)和乘积规则(例如,17.30(h)Seber(2008)),logxtβi=2×V2Tbx-1t)Iq vec(V2tB)βi+(1V2tB)vec(x-1Tei)βi。由于2Tb)vec(b)×vec(b)βi=(ip v2t)(Ei iq)=Ei v2t,使用vec(AXB)/vec(X)=b A(例如。第17.30(b)条,方括号中的第1项是(EIX-1 T)IQ vec(V2tB)βi=(EIX-1 Tei)V2T=Diiv2T。对于方括号中的第二项,通过乘积规则和链式规则,(1V2tB)vec(x-1 Tei)βi=V2tB(Ei IP)vec(x-1 T)βi=V2tB(Ei IP)×vec(x-1 T)vec(Xt)vec(Xt)βi=V2tB(Ei IP)-(x-1 T)x-1 T vec(Xt)βi=V2tB(Ei IP)-(x-1 T)x-1 T Ve C(bv2tb)βi.(41)注意到Kpm(ba)=a b(例如。在Seber(2008)11.19(c)(ii)中,我们将Evec(Bv2Tb)βi=(IP+Kpp)(IPBV2t)(Ei Iq)=(IP+Kpp)(Ei B V2t)=Ei B V2t+BV2t Ei代入方程(41)。然后(41)减少到-V2 TB(EIX-1 Tei)x-1 TB V2t+(EIX-1 TB V2t)(x-1 Tei)=-DIIV 2 TBX-1 TB V 2 T-V2 TBX-1 TB V 2 T-V2 TBX-1 Tei=-DIIV 2 TBX-1 TB V 2 T-V2 TBX-1 Tei=V1 T hit=DIEXP(hit),i=1,。.,p,(42)(ii)logb v2tb+v1t hit=diiexp(hit)-diiexp(2hit),i=1,....,p.(43)其中diii是(bv2tb+V1t)-1的第(i,i)个元素。证明:(i)设xt=bv2tb+V1t。然后,使用如命题1的证明中的链式规则,log Xt hit=log Xt vec(Xt)×vec(x-10t)×vec(Eie)×exp(hit)=tr(x-10teie)×exp(hit)=diiexp(hit)。(ii)由于dii hit=vec(eiei)vec(x-1t)hit=vec(Eie)(-x-10t x-1t)vec(Eie)exp(hit)=-(Eie)(x-1t x-1t)(eie)exp(hit)=-(Eie)(x-1t x-1t)exp(hit)=-(Eie)(x-1t(hit)=-diiexp(hit),使用vec(x-1)/vec(X)=-x-10x-1(例如。在Seber(2008)17.30(d)中,我们得到了log xt hit=dii hitexp(hit)+diiexp(hit)=diiexp(hit)=diiexp(hit)=diiexp(hit)=diiexp(hit)=diiexp(hit)=diiexp(hit)=diiexp(hit)-diiexp(hit)-diiexp(hit)-diiexp(hit)-diiexp(hit)-diiexp(hit)-diiexp(2hit),结果如下。

18
kedemingshi 在职认证  发表于 2022-4-20 22:01:18
,q,(44)(ii)logb v2tb+v1 t hp+i,t=bi(Bv2tb+V1t)-1 biexp(h2t,i)-bi(Bv2tb+V1t)-1 bi exp(2h2t,i),i=1,....,Q.(45)证明:(i)设xt=bv2tb+v1t。那么,与命题2的证明一样,log Xt hp+i,t=log Xt vec(Xt)×vec(Xt)hp+i,t=vec(x-10t)×vec(Bv2tb)hp+i,t=vec(x-1t)×vec(bibi)×exp(Hp+i,t)=tr(x-1 tbibi)×exp(Hp+i,t)=bix-1tbiexp(Hp+i,t)=bix-1tbiexp(Hp+i,t).(ii)与命题2的证明类似,使用BIX-1 TBI HP+I,t=vec(bibi)vec(x-1 t)HP+I,t=vec(bibi)(-x-10 t x-1 t)vec(bibi)exp(HP+I,t)={BIX-1 TBI}exp(HP+I,t),结果如下。动态因子,多元随机波动中的杠杆与已实现协方差;补充材料Yamauchi和Yasuhiro OmoriSeptember 16,2021a用于采样其他参数的MCMC算法sa.1联合后验密度θ的联合后验密度的对数为logπ(θx,y)=const+txt=1slogb v2tb+v1t-ktxt=1tr b v2tb+v1t-w-1t-txt=1logv1t-txt=1(yt-b ft)v-11t(yt-b ft)-t-1log∑ηη-t-1xt=1{ht+1}(i-Φ)∑-Φht}∑-1ηη{ht+1}-(i-Φ)∑-Φht}-log∑h,0-(H-TM)∑h,0(hTM)TMTXT=1logV2thTMTXT=1(ft-γ-yen(ft-1-γ)-ct)v-12th(ft-γ-yen(ft-1-γ)-ct)TMTXT=1 log∑'AtXT=1(xt-a ft)∑-1'A(xt-a ft)+logπ(θ),其中π(θ)表示ftTo样品(f,)的初始密度θ.a.2生成。同时,我们考虑了以下状态空间方程:xtyt=ab fT+vtv 1/21 t1 t,fT=(Iq-)γ+ct+ft-1+v1/22 th 2 t,=diag(ρ),其中ctis在方程(32)中。我们实现了线性和高斯状态空间模型的模拟平滑器。A.3α的条件后验密度由π(α·)Ωexp-qxj=2(αj-mαj)s-1αj(αj-mαj)-txt=1(aft-xt)∑-1'A(aft-xt)Ωqyj=2exp“-(αj-mαj)s-1αj(αj-mαj)-2σv,jtxt=1{αjf*jt-(xjt-fjt)}#(46)给出,其中f*jt=(f1t,f2t,f2t)。注意到αjs是条件独立的,我们生成αj(j=2,。..,q)从N(mαj,∑αj)中取值,其中mαj=∑α(Txt=1f:/jtσ-2'A,j(xjt-fjt)+s-1αj=1σ-2'A,jf*jtf=0jt+s-1αj.a.4产生的μ的条件后验密度为π(μ·)ΩexpTM(μ-m(R))s-1μ(Ω-m(R))∑(h-μ)∑-1h,0(h-Ω)×exp“-t-1xt=1{HT+1-(I-Φ)Ω-Φc:/t}∑-1η{HT+1-(I-Φ)Ω-ΦHT-C*T}#,(47)其中C*T=(C*1T,)。.,C*p+q,t)(关于C*it的定义,见A.6)。我们从N(mμ,∑μ)中生成μ,其中mμ=∑μדs-1μmμ+∑-1h,0h+(I-Φ)∑-1ηt-1xt=1{HT+1-ΦHT-C*T}#∑-1μ=s-1μ+∑-1h,0+(T-1)(IP+Q-Φ)∑-1η(IP+Q-Φ),∑η=Diagση,1,...,ση,p,ση,p+1(1-ρp+1),...,ση,p+1(1-ρp+1)。..,ση,p+1(1-ρp+q).p-(γ-mγ)s-1γ(γ-mγ)×exp”-txt=2{ft-(i-Ω)γ-Ωft-1-ct}v-12{ft-(i-Ω)γ-Ωft-1-ct}#,(48),其中ctis在等式(32)中取值。我们从N(mγ,∑γ)中生成γ,其中mγ=∑γדs-1γmγ+(IQTM)txt=2V-12 thh ft-§ft-1-ct#∑-1γ=s-1γ+txt=2(IQTM)v-12th(IQTM).a.6产生φ=(φ,....,φp+q)的后验分布是条件独立的,且φii的后验密度由π(φi·)∞k(φi)×exp”-2ση,i(1-ρi)t-1xt=1{hi,T+1-1-i-φi(hit-μi)-céit}给出#,(49)其中ρ=。.=ρp=0,c·1t=。.=c*pt=0和k(φi)=q1-φi1+φiaφ-11+φibφ-1,i=1,...,p+q,c*p+i,t=ρp+iση,p+iexp(-hp+i,t/2){fit-γi-ψi(fi,t-1-γi)},i=1,..,q,设φ等于φi的一个当前样本。然后我们从N(mφ,i,σφ,i)中生成φni,其中φ,i=pt-1t=1(hi,t+1-μi-c·it)(hit-μi)pt-1t=2(hit-μi),σφ,i=ση,i(1-ρi)pt-1t=2(hit-μi),并以概率min接受它{1,k(φni)/k(φoi)}。..,φq)是条件独立的,且条件后验密度由π(ψi·)∞k(ψi)×exp“-txt=2{fit-γi-ψi(fi,t-1-γi)-cit}{1-ρp+ii(t<t)}exp(hp+i,t)#(50)给出,其中citis在方程(32)中,且k(ψi)=1+ψi aψ-1 1-ψi bψ-1,i=1,...,q.

19
kedemingshi 在职认证  发表于 2022-4-20 22:01:24
然后我们从N(mψ,i,σ,i)中生成ρni,其中em,i=σφ,itxt=2(fi,t-γi-cit)(fi,t-1-γi){1-ρp+i(t<t)}exp(hp+i,t),σ-2φ,i=txt=2(fi,t-1-γi){1-ρp+i(t<t)}exp(hp+i,t),并以概率min{1,k(θni)/k(ψoi)}接受ρk(k=p+1,i,i)的条件后验密度。..,p+q)由π(ρk·)ü1+ρk aρ-1-1+ρk bρ-1(1-ρk)-(t-1)/2×exp“-2ση,k(1-ρk)t-1xt=1{hk,T+1-Ωk-φk(hk,t-Ωk)-cutkt}#给出,其中cutkt在A.6中。为了对ρk进行采样,我们考虑Fisher变换,gk=log(1+ρk)-log(1-ρk)(或ρk={exp(gk)-1}/{exp(gk)+1})。设l(gk)表示给定byl(gk)logπ(ρk·)+log(J(gk)),k=p+1,gk的后验密度的对数。..,p+q,其中J(gk)是J(gk)=2exp(gk)(exp(gk)+1)的雅可比函数。然后我们考虑了l(gk)在gk附近的泰勒展开式:l(gk)≈l(gk)+mgk(GK-GK)-(GK-GK)2Sgk≈l*(gk),其中gk=l(gk)gk gk=gk,S-1 gk=-l(gk)gk gk=gk。为了执行MH算法,我们从N(gk+Sgkmgk,Sgk中提出了一个候选gnk,并以概率{1,exp(l(gnk)-l(gok)-l*(gnk)+l*(gok))}接受gok,其中gok=l(gk)-l(gk)-l*(gok))是一个电流sam Ple.a.9ση的产生首先我们定义~Nη,i=Nη+T和~dη,i=dη+t-1xt=1{hi,T+1-(1-φi)μi-φhi,T}+(1-φi)(Hi1-μi),对于i=1,。.p+q.ση,1,.的生成。.,ση,P。我们从条件后验分布中生成ση,i,ση,iéIG(~nη,i/2,~dη,i/2),i=1,.ση,p+1,p的生成。..,ση,p+q。ση,p+ii的条件后验密度为π(ση,p+i·)∞(ση,p+i)-~nη,i-1 exp“-~dη,i2ση,p+i+k(ση,p+i)#,i=1,。.,q,(51)k(ση,p+i)=-t-1xt=1(FIT-γ-ψi(fi,t-1-γ)-cit)(1-ρp+i)exp(Hp+i,t),其中citis在等式(32)中。我们对其条件后验分布进行MH算法采样。设σ2,Oη,P+等于当前样本,我们提出一个候选的σ2,Nη,P+I→IG(~Nη,I/2,~Dη,I/2)。以概率min{1,exp(k(σ2,nη,p+i)-k(σ2,oη,p+i))}接受它。a.10σlet~xjt表示xt-aft的第j个元素。我们从条件后验分布中生成σv,j,σv,jéIG(~nv,j/2,~dv,j/2),j=1,...,q,其中~n,j=n,+T和~d,j=d,+ptt=1~xjt.a.11生成δ的条件后验密度为π(δ·)=(δ+p+3)pàp(δ+p+3)(δ+2)δ+p+3×wt-δ+2p+4×exp-tr(δ+2)(bv2tb+v1t-w-1t}。我们使用随机游动MH算法生成logδ。给定logδo的当前值,生成logδNéN(logδo,σδ)。σδ是一个优化采样参数。在我们的实证研究中,我们设定σδ=0.001,接受率为0.898。b图b.1实现措施对估计动态相关性的影响图1和图2显示了AAPL和MSFT之间的估计动态相关性。在全球金融危机期间,股票之间的相关性有所上升。2006年2008年2010年2012年20140.0 0.2 0.4 0.6 0.8日期估计值1:FMSV模型。AAPL与MSFT.2006、2008、2010、2012、2014、0.0、0.2、0.4、0.6、0.8数据估计值的后验均值(实线)和95%可信区间(阴影区)。AAPL和MSFT之间估计动态相关系数的后验均值(实线)和95%可信区间(阴影区)。图3同时显示了FMSV和FMRSV模型中的相关系数。FMSV模型的估计有时比FMRSV模型的估计大。2006 2008 2010 2012 20140.00.0.0.0.0.0.8数据估计值EFMSVFMRSV图3:FMSV(黑色实线)和FMRSV(红色虚线)模型。此外,图4显示了FMSV和FMRSV模型中估计的动态相关性之间的关系曲线。

20
大多数88 在职认证  发表于 2022-4-20 22:01:30
FMSV模型的估计值比FMRSV模型的估计值更趋于白俄罗斯。新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情1-2 1-3 1-4 1-5 1-6 1-7 1-8 1-9 1-10 2-3 2-4 2-5 2-6 2-7 2-8 0-6 0-4 0-2 0-0.2 0-0.6新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情2-9 2-10 3-4 3-5 3-6 3-7 3-8 3-10 4-5 4-6 4-7 4-8 4-9 4-10-0.6-0 4.0.2.0.2.0.2.0.4.6新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情,新冠肺炎疫情5-6 5-7 5-8 5-9 5-10 6-7 6-8 6-9 6-10 7-8 7-9 7-9 7-10 8-9 8-10 9-10-0.6-0.4-0.0.2 0.0.2 0.4.6图4:动态相关估计值之间的间隔方框图(估计值ofFMSV)模型减去FMRSV模型的估计值)。c仿真研究我们为c生成了适当的数据ase p=9和q=2来说明我们的估计方法。参数的真值在表1和表2中给出。MCMC模拟迭代得到10,000个后验样本,然后丢弃2,000个样本作为燃烧期。假定先验分布为:μiéN(0,10000),1+φiéBeta(1,1),ση,iéig 0.1,0.1,i=1,。...11,γjéN(0,10000),1+ψjéBeta(1,1),1+ρ9+jéBeta(1,1),σv,jéig 0.1,0.1,j=1,2,αéN(0,10000),βijéN(0,10000),i=1,.9,j=1,2,π(δ)∞I(δ>0)。如表1和表2所示,参数估计值接近真值,几乎包含在所有95%可信区间内。ση、10、δ的影响因子似乎较大,但总体变化范围为1~200par。平均真95%区间IFση,10.1000.1[0.0821,0.120]63ση,20.1130.1[0.0945,0.136]68ση,30.1020.1[0.0881,0.120]49ση,40.1130.1[0.0942,0.134]53ση,50.1050.1[0.0880,0.124]71ση,60.1080.1[0.0891,0.128]55ση,80.1090.1[0.0927,0.128]72ση,90.1120.1[0.0957,0.132]52ση,100.1280.1[0.0857,0.132]52ση,100.1280.1[0.0857,σ,s,10.143 0.1[0.0975,0.181]191σ,s,20.0911 0.1[0.0724,0.110]153δ8.028 8[7.882,8.192]307表1:与市场因素有关的参数。平均真95%间隔如果PAR。

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
jg-xs1
拉您进交流群
GMT+8, 2026-1-12 05:56