Présentation du Modèle
L'analyse du modèle se fait au travers d'une représentation espace-état, ayant comme processus observé (y) les rendements financiers et comme processus caché la log-volatilité.
Le but est d'établir une méthode d'estimation de la variable latente et de réussir à calibrer le modèle.
Pour se faire, nous utiliserons les techniques MCMC notamment l'échantillonneur de Gibbs et l'algorithme de Metropolis-Hasting (MH). Ceux-ci ont été présentés auparavant sur ce blog (en mars 2013).
Echantillonneur de Gibbs
On introduit le modèle suivant :
avec x0:T le processus de log-volatilité, y1:T les données observées et θ ={α, φ, σ} les paramètres du modèles.
Rappel
Lois conditionnelles
La vraisemblance complète est donnée par l’écriture suivante :
Une fois la vraisemblance définie nous spécifions les lois a priori du modèle :
α ~ N(μα ¸σα)
φ ~ N(μφ¸σφ)
ση ~ ση-1
Nous pouvons
maintenant établir les lois conditionnelles pour tous les paramètres
et le processus latent x.
Loi conditionnelle pour α
Loi conditionnelle pour φ
Loi conditionnelle pour ση
Loi conditionnelle pour x2:T-1
Pour filtrer la variable latente nous utilisons l’algorithme MH. En effet, comme le processus est markovien de premier ordre nous devons savoir si la marche proposée améliore la vraisemblance du modèle. Nous proposons la loi suivante pour la loi q.
Loi conditionnelle pour x1 et xT
Application #1
Application #2
On considère maintenant un échantillon de 2000 données simulées avec les mêmes paramètres.
Application #3
Le deuxième graphique laisse apparaître la variable : log(return^2)+1.27. Cela permet d'approximer le processus latent (log-vol). En effet, en reprenant l’équation du processus observé on a :
log yt2 = xt + log εt2
, où log εt2 ~ X12
La loi peut être approximée
par une gaussienne de paramètre E(log
εt2) = -1.27 et V(log εt2) = 4.9
Donc : log yt2 - E(log εt2) = xt + N(0,V(log εt2))