Байєсівський аналіз моделі стохастичної волатильності в середовищі OpenBUGS

Проілюстровано процес виконання байєсівського аналізу моделей стохастичної волатильності щоденних обмінних курсів валют (долар/гривня) за період з 24.10.2006 по 15.04.2011 з використанням пакета прикладних програм OpenBUGS. Встановлено, що отримані оцінки є цілком задовільними за точністю з прийнятними обчислювальними витратами та характеризуються збіжністю на заданому часовому інтервалі. Запропоновано алгоритм, який може бути застосований для оцінки значень волатильності стохастичного процесу та параметрів моделі стохастичної волатильності для різних фінансових процесів, представлених статистичними даними обмінних курсів різних валют.

Рік видання: 
2011
Номер: 
2
УДК: 
519.766.4
P. 77–84. Fig. 4. Tabl. 1. Refs.: 18 titles.
Література: 

1. Taylor S.J. Financial Returns Modelled by the Product of Two Stochastic Processes—a Study of the Daily Sugar Prices 1961—75 // Time Series Analysis: Theory and Practice, 1 / O.D. Anderson (ed.). — Amsterdam: North- Holland. — 1982. — P. 203—226.
2. Tauchen G., Pitts M. The Price Variability-Volume Relationship on Speculative Markets // Econometrica. — 1983. — 51. — P. 485—505.
3. Engle R.F. Autoregressive Conditional Heteroscedasticity with Etimates of the Variance of United Kingdom Inflation // Ibid. — 1982. — 50. — P. 987—1007.
4. Bollerslev T. Generalized Autoregressive Conditional Heteroskedasticity // J. of Econometrics. — 1986. — 31. — P. 307—327.
5. Taylor S.J. Modelling Stochastic Volatility // Math. Finance. — 1994. — 4. — P. 183—204.
6. Sorensen M. Prediction Based Estimating Equations // Econometrics. — 2000. — 3. — P. 123—147.
7. Harvey A.C., Ruiz E., Shephard N. Multivariate Stochastic Variance Models // Review of Economic Studies. — 1994. — 61. — P. 247—264.
8. Gallant A.R., Hsie D., Tauchen G. Estimation of Stochastic Volatility Models with Diagnostics // J. of Econometrics. — 1997. — 81. — P. 159—192.
9. Sandmann G., Koopman S.J. Estimation of Stochastic Volatility Models Via Monte Carlo Maximum Likelihood // Ibid. — 1998. — 87. — P. 271—301.
10. Fridman M., Harris L. A Maximum Likelihood Approach for Non-Gaussian Stochastic Volatility Models // J. of Business and Economic Statistics. — 1998. — 16. — P. 284—291.
11. Gilks W.R., Roberts G.O. Strategies for Improving MCMC // Markov Chain Monte Carlo in Practice / W.R. Gilks, S. Richardson, D.J. Spiegelhalter (eds). — London: Chapman&Hall. — 1996. — P. 89—114.
12. Kim S., Shephard N., Chib S. Stochastic Volatility: Likelihood Inference and Comparison with ARCH Models // Review of Economic Studies. — 1998. — 65. — P. 361—393.
13. Chib S., Greenberg E. Understanding the Metropolis-Hastings Algorithm // American Statistician. — 1995. — P. 327—335.
14. Tierney L. Markov Chains for Exploring Posterior Distributions (with discussion) // Ann. Statist. — 22. — P. 1701—1762.
15. Gelfand A.E., Smith A.F.M. Sampling-Based Approaches to Calculating Barginal Densities // J. Am Stat. Asso. — 1990. — 85. — P. 398—409.
16. Smith A.F.M., Roberts G.O. Bayesian Computation Via the Gibbs Sampler and Related Markov Chain Monte- Carlo Methods (with discussion) // J. Roy. Stat. Soc. Series B. — 1993. — 55. — P. 3—23.
17. Besag J., Green P.J., Higdon D.M., Mengersen K. Bayesian Computation and Stochastic Systems (with discussion) // Statist. Science. — 1995. — 10. — P. 3—66.
18. Harvey A. Forecasting Structural Time Series Models and the Kalman Filter. — New York: Cambridge University Press, 1989. — 572 р.

Текст статтіРозмір
2011-2-10.pdf508.83 КБ