Análise Bayesiana de Modelos de Volatilidade Estocástica

Novas técnicas para a análise de modelos de volatilidade estocástica em que o logaritmo da variância condicional segue um modelo autorregressivo são desenvolvidas. Um algoritmo de Metropolis cíclico é utilizado para construir uma ferramenta de simulação de cadeias de Markov. As simulações desta cadeia de Markov cobrem a distribuição para amostras da distribuição posterior, possibilitando inferência exata com amostras finitas. A solução exata para o problema de filtragem/suavização de inferir sobre os estados de variância não observados é um subproduto do nosso método de cadeia de Markov. Além disso, densidades preditivas com múltiplos passos à frente podem ser construídas, refletindo tanto a variabilidade inerente do modelo quanto a incerteza dos parâmetros. Ilustramos nosso método analisando dados diários e semanais sobre retornos de ações e taxas de câmbio. Experimentos de amostragem são conduzidos para comparar o desempenho dos estimadores de Bayes com o método dos momentos e estimadores de máxima verossimilhança quase-fied. Tanto na estimativa de parâmetros quanto na filtragem, os estimadores de Bayes superam essas outras abordagens.