Metadaten







Promotionsordnung


PromO07

Kumulative Dissertation


ja

Titel


Essays on Multivariate Stochastic Volatility Models

Titel (englisch)



Autor/Autorin


Trojan, Sebastian

Unter Mitarbeit von



Geburtsdatum


16.05.1979

Geburtsort



Matrikelnummer


05336821

Schlagwörter (GND)


Kapitalmarkt; Volatilität; Nichtlineare Zeitreihenanalyse; Computersimulation; Bayes

DDC (Dewey Decimal Classification)


Statistik - 310

Freie Stichwörter (deutsch)



Freie Stichwörter (englisch)


Stochastic volatility; stochastic conditional duration; realized volatility; non-Gaussian and nonlinear state space model; generalized hyperbolic skew Student-t distribution; regime switching; dynamic correlation; Markov chain Monte Carlo; block sampler; particle filter

Kurzfassung


Die erste Arbeit präsentiert ein allgemein spezifiziertes stochastisches Volatilitätsmodell (SV) mit Leverage, Exzesswölbung, Schiefe und wechselnden Regimen. Die realisierte Volatilität als Hilfszeitreihe dient der verbesserten Inferenz auf die latente Volatilität. Der Informationsgehalt des Tageshochs und -tiefs sowie der implizierten Volatilität, gemessen durch den VIX Index, wird ebenfalls analysiert. Datenbasis ist der S&P 500 Index. Asymmetrie in der Rendite wird mit einer schiefen hyperbolischen Verteilung, der "generalized hyperbolic skew Student-t" Verteilung, modelliert. Anzahl der extrahierten Regime sowie deren Dynamik differieren je nach verwendetem Volatilitätsproxy und werden während der Finanzkrise 2008/09 analysiert. Außerdem wird die Prognosekraft verschiedener Modellvarianten bezogen auf einen ruhigen und volatilen Zeitraum untersucht. So scheint der Einbezug von realisierter Volatilität oder des VIX in turbulenten Marktphasen am gewinnbringendsten zu sein. In ruhigeren Phasen überragen Modelle ohne Hilfszeitreihe. Das Tageshoch und -tief als Volatilitätsproxy liefert eine hohe Passgenauigkeit des Modells an die zur Schätzung verwendeten Daten, seine Prognosefähigkeit ist jedoch schwach.

Die zweite Arbeit beschreibt ein hochfrequentes stochastisches Volatilitätsmodell. Preisduration und assoziierte absolute Preisveränderung in Ereigniszeit werden zeitgleich modelliert, indem stochastisches Volatilität und stochastische Duration auf der Tickebene kombiniert werden. Datenbasis sind Innertagesdaten der IBM Aktie 2001/10 (Dezimalisierung abgeschlossen). Ein persistenter latenter Informationsfluss mit positiv korrelierter Innovation und negativen Kreuzeffekten in der AR(1)-Matrix kann extrahiert werden. Das Modell wird durch Regimewechsel in Duration und absoluter Preisveränderung erweitert, um Nichtlinearität besser abzubilden. Hierbei wird ein eigener Zustand für Preissprünge identifiziert. Modellselektion und Prognosetests zeigen die Überlegenheit der Regimeerweiterung "in-" und "out-of-sample".

Die dritte Arbeit präsentiert ein multivariates stochastisches Volatilitätsmodell (MSV) basierend auf einer Cholesky-Zerlegung der Kovarianzmatrix. Dies ermöglicht eine dynamische Modellierung von Korrelation in der Observations- und Transitionsinnovation sowie in Cross-Leverage Effekten. Das empirisch relevante Konzept der Cross-Leverage ist hierbei definiert als eine Korrelation ungleich Null zwischen der i-ten Investmentrendite zum Zeitpunkt t und der j-ten log-Volatilität zum Zeitpunkt t+1. Volatilität und Kovarianz werden separat modelliert, was eine direkte Interpretation der Leverageparameter ermöglicht. Das Modell wird auf ein dreidimensionales Portefeuille bestehend aus den S&P 500 Sektorindizes Financials, Industrials und Healthcare angewandt, das die Finanzkrise 2008/09 mit einschließt. Während als auch im Nachklang von Marktturbulenzen werden stärkere Cross-Leverage Effekte, eine erhöhte unbedingte Exzesswölbung, sowie ein stärker korrelierter Informationsfluss beobachtet. Modelltechnisch besteht jedoch die Gefahr von Überparameterisierung, was eine Beschränkung der zeitlichen Variation auf die Elemente verantwortlich für die Dynamik in der Renditeinnovation nahelegt.

Kurzfassung (englisch)


The first essay describes a very general stochastic volatility (SV) model specification with leverage, heavy tails, skew and switching regimes, using realized volatility (RV) as an auxiliary time series to improve inference on latent volatility. The information content of the range and of implied volatility using the VIX index is also analyzed. Database is the S&P 500 index. Asymmetry in the observation error is modeled by the generalized hyperbolic skew Student-t distribution, whose heavy and light tail enable substantial skewness. Resulting number of regimes and dynamics differ dependent on the auxiliary volatility proxy and are investigated in-sample for the financial crash period 2008/09 in more detail. An out-of-sample study comparing predictive ability of various model variants for a calm and a volatile period yields insights about the gains on forecasting performance from different volatility proxies. Results indicate that including RV or the VIX pays off mostly in more volatile market conditions, whereas in calmer environments SV specifications using no auxiliary series outperform. The range as volatility proxy provides a superior in-sample fit, but its predictive performance is found to be weak.

The second essay presents a high frequency stochastic volatility model. Price duration and associated absolute price change in event time are modeled contemporaneously to fully capture volatility on the tick level, combining the SV and stochastic conditional duration (SCD) model. Estimation is with IBM stock intraday data 2001/10 (decimalization completed), taking a minimum midprice threshold of a half tick. Persistent information flow is extracted, featuring a positively correlated innovation term and negative cross effects in the AR(1) persistence matrix. Additionally, regime switching in both duration and absolute price change is introduced to increase nonlinear capabilities of the model. Thereby, a separate price jump state is identified. Model selection and predictive tests show superiority of the regime switching extension in- and out-of-sample.

The third essay proposes a multivariate stochastic volatility (MSV) model based on a Cholesky-type decomposition of the covariance matrix to model dynamic correlation in the observation and transition error as well as in cross leverage terms. The empirically relevant asymmetric concept of cross leverage is defined as a nonzero correlation between the i-th asset return at time t and the j-th log-volatility at time t+1. Volatilities and covariances are modeled separately, which makes a direct interpretation of leverage parameters possible. The model is applied on a three-dimensional portfolio consisting of the S&P 500 sector indices Financials, Industrials and Healthcare, spanning the recent financial crisis 2008/09. During and in the aftermath of market turmoil, increased cross leverage effects, higher unconditional kurtosis and stronger correlated information flow are observed. However, there is risk of overfitting and restricting time variation to the elements governing the dynamics of the observation error may be advisable.

Universität


Universität St.Gallen

Referent/Referentin


Audrino, Francesco (Prof. PhD)

Korreferent/Korreferentin


Hautsch, Nikolaus (Prof. Dr.)

Erweitertes Diss. Komitee


Lechner, Michael (Prof. Dr.)

Fachgebiet


Economics and Finance (PEF)

Sprache


ENG

Promotionstermin (dd.mm.yyyy)


16.02.2015

Erstellungsjahr (yyyy)


2015

Dokumentart


Dissertation

Format


PDF

Dissertationsnummer


4313

Quelle



PDF-File


dis4313.pdf

Dokumentverknüpfung


Link zu diesem Dokument







letzte Änderung: 01/15/2015 - Allgemeine rechtliche Informationen - Datenschutz [ Nach oben ]