使用贝叶斯已实现EGARCH模型的尾部风险预测
风险管理
2020-08-25 v2 计算金融
摘要
本文为已实现指数广义自回归条件异方差（已实现EGARCH）模型开发了一个贝叶斯框架，该模型可纳入多个已实现波动率度量来对收益序列建模。已实现EGARCH模型通过采用标准化Student-t和标准化有偏Student-t分布用于收益方程而得到扩展。文中考虑了不同类型的已实现度量，如子采样已实现方差、子采样已实现极差和已实现核。贝叶斯马尔可夫链蒙特卡洛（MCMC）估计在预烧期采用鲁棒自适应Metropolis算法（RAM），在抽样期采用标准随机游走Metropolis。在模拟研究中，贝叶斯估计量比最大似然估计量表现出更有利的结果。我们用多个指数测试所提模型，在1000天期限内预测一步 ahead 风险价值（VaR）和期望损失（ES）。严格的尾部风险预测评估表明，与一系列模型相比，采用标准化有偏Student-t分布并纳入子采样已实现极差的实现EGARCH模型更受青睐。
引用
@article{arxiv.2008.05147,
title = {Tail risk forecasting using Bayesian realized EGARCH models},
author = {Vica Tendenan and Richard Gerlach and Chao Wang},
journal= {arXiv preprint arXiv:2008.05147},
year = {2020}
}