Threshold stochastic volatility models with heavy tails: A bayesian approach

• Abanto-Valle, Carlos A. ^[2] ; Garrafa-Aragón, Hernán B. ^[1]
  1. [1] Universidad Nacional de Ingeniería

     Universidad Nacional de Ingeniería

     Perú

     
  2. [2] Universidad de Rio de Janeiro, Brasil
• Localización: Economía, ISSN 0254-4415, Vol. 42, Nº. 83, 2019, págs. 32-53
• Idioma: inglés
• Títulos paralelos:
  • Modelos de volatilidad estocástica de umbral con colas pesadas: un enfoque bayesiano
• Enlaces
  • Texto completo
• Resumen
  • español

    Este artículo amplía la especificación del modelo de umbral de volatilidad estocástica (THSV) propuesta en So et al. (2002) y Chen et al. (2008) mediante la incorporación de colas gruesas en la innovación de la ecuación media utilizando la mezcla de escalas de distribuciones normales (SMN). Se desarrolla un algoritmo Bayesiano de Markov Chain Monte Carlo para estimar todos los parámetros y variables latentes. Se consideran los pronósticos de valor en riesgo (VaR) y déficit esperado (ES) a través de un marco computacional bayesiano. El método basado en MCMC aprovecha una representación mixta de las distribuciones SMN. La metodología propuesta se aplica a los rendimientos diarios de los índices de BM&F BOVESPA (BOVESPA), Bolsa de Comercio de Buenos Aires (MERVAL), Bolsa Mexicana de Valores (MXX) y Standar & Poors 500 (SP500). Los criterios de selección del modelo bayesiano revelan que hay una mejora significativa en el ajuste del modelo para los rendimientos de los datos considerados aquí, utilizando el modelo THSV con distribución de barra sobre los modelos normales y t de Student habituales. Los resultados empíricos muestran que la asimetría puede mejorar el pronóstico de VaR y ES en comparación con los modelos normal y t de Student.

  • English

    This paper extends the threshold stochastic volatility (THSV) model specification proposed in So et al. (2002) and Chen et al. (2008) by incorporating thick-tails in the mean equation innovation using the scale mixture of normal distributions (SMN). A Bayesian Markov Chain Monte Carlo algorithm is developed to estimate all the parameters and latent variables. Value-at-Risk (VaR) and Expected Shortfall (ES) forecasting via a computational Bayesian framework are considered. The MCMC-based method exploits a mixture representation of the SMN distributions. The proposed methodology is applied to daily returns of indexes from BM&F BOVESPA (BOVESPA), Buenos Aires Stock Exchange (MERVAL), Mexican Stock Exchange (MXX) and the Standar & Poors 500 (SP500). Bayesian model selection criteria reveals that there is a significant improvement in model fit for the returns of the data considered here, by using the THSV model with slash distribution over the usual normal and Student-t models. Empirical results show that the skewness can improve VaR and ES forecasting in comparison with the normal and Student-t models.